MARC

 008260126s2025        us                              c    eng  d
■001000017358231
■00520260202103702
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291573839
■035    ▼a(MiAaPQ)AAI32113089
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.5
■1001  ▼aHiggins,  Timothy  Brown.▼0(orcid)0000-0002-2204-9193
■24510▼aMoisture  is  Coming  -  Insights  Into  Predicting  Atmospheric  Rivers  in  Our  Future
■260    ▼a[Sl]▼bUniversity  of  Colorado  at  Boulder▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a124  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Subramanian,  Aneesh.
■5021  ▼aThesis  (Ph.D.)--University  of  Colorado  at  Boulder,  2025.
■520    ▼aThe  US  West  Coast  is  prone  to  high  variability  of  precipitation,  largely  due  to  the  occurrences  of  atmospheric  rivers  (ARs).  ARs  are  long,  narrow  filamentary  plumes  of  horizontal  water  vapor  transport  in  the  lower  Troposphere  that  can  threaten  lives  and  damage  property  and  infrastructure.  It  can  therefore  be  beneficial  to  accurately  predict  and  understand  AR  activity  across  various  scales  to  help  mitigate  risk.  This  dissertation  explores  several  techniques  that  can  help  understand  and  predict  ARs  in  the  climate,  subseasonal  to  seasonal,  and  medium  range  (decades,  weeks,  and  days  into  the  future,  respectively).  Understanding  changes  to  rare  extreme  AR  events  in  varying  climate  warming  scenarios  can  be  challenging,  largely  due  to  the  computational  cost  of  both  running  large-ensemble  climate  models  and  tracking  ARs  in  climate  data  with  traditional  methods.  To  help  address  the  computational  cost  of  creating  a  large  ensemble,  a  unique  dataset  that  used  computing  power  from  volunteers'  computers  was  used.  A  machine  learning  method,  "CG-Climate"  was  used  for  AR  tracking,  which  substantially  reduced  the  cost  of  AR  tracking  and  was  demonstrated  to  consistently  detect  the  same  events  that  other  common  methods  did  in  reanalysis  data.  The  reliability  of  CG-Climate  enabled  the  analysis  of  changes  to  rare  extreme  AR  events  in  various  climate  warming  scenarios.  In  the  subseasonal  range,  the  predictability  of  horizontal  vapor  transport  exceeding  the  90th  percentile,  which  is  often  associated  with  AR  activity,  was  evaluated  in  comparison  to  that  of  precipitation.  The  relationship  between  the  North  Pacific  Jet  and  IVT  in  the  subseasonal  range  is  also  examined  to  better  understand  the  source  of  potential  predictability.  Finally,  1000-member  large  ensemble  of  horizontal  vapor  transport  fields  is  created  with  diffusion,  a  method  of  generating  images  with  artificial  intelligence.  The  diffusion  model  uses  a  medium-range  deterministic  forecast  as  a  condition  and  creates  high-quality  realistic  images  by  gradually  predicting  noise  in  noisy  images  and  removing  it.  This  approach  yielded  a  promising  result  that  could  help  aid  AR  predictions  in  the  future.
■590    ▼aSchool  code:  0051.
■650  4▼aAtmospheric  sciences
■650  4▼aHydrologic  sciences
■650  4▼aGeophysics
■653    ▼aAtmospheric  rivers
■653    ▼aDiffusion
■653    ▼aEnsemble
■653    ▼aAR  extremes
■653    ▼aMachine  learning
■653    ▼aPredictions
■690    ▼a0725
■690    ▼a0388
■690    ▼a0800
■690    ▼a0373
■71020▼aUniversity  of  Colorado  at  Boulder▼bAtmospheric  and  Oceanic  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0051
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358231▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books