Abstract [1] This first paper of the two-part series describes the objectives of the community efforts in improving the Noah land surface model (LSM), documents, through mathematical formulations, the augmented conceptual realism in biophysical and hydrological processes, and introduces a framework for multiple options to parameterize selected processes (Noah-MP). The Noah-MP's performance is evaluated at various local sites using high temporal frequency data sets, and results show the advantages of using multiple optional schemes to interpret the differences in modeling simulations. The second paper focuses on ensemble evaluations with long-term regional (basin) and global scale data sets. The enhanced conceptual realism includes (1) the vegetation canopy energy balance, (2) the layered snowpack, (3) frozen soil and infiltration, (4) soil moisture-groundwater interaction and related runoff production, and (5) vegetation phenology. Sample local-scale validations are conducted over the First International Satellite Land Surface Climatology Project (ISLSCP) Field Experiment (FIFE) site, the W3 catchment of Sleepers River, Vermont, and a French snow observation site. Noah-MP shows apparent improvements in reproducing surface fluxes, skin temperature over dry periods, snow water equivalent (SWE), snow depth, and runoff over Noah LSM version 3.0. Noah-MP improves the SWE simulations due to more accurate simulations of the diurnal variations of the snow skin temperature, which is critical for computing available energy for melting. Noah-MP also improves the simulation of runoff peaks and timing by introducing a more permeable frozen soil and more accurate simulation of snowmelt. We also demonstrate that Noah-MP is an effective research tool by which modeling results for a given process can be interpreted through multiple optional parameterization schemes in the same model framework.

Abstract Since its initial release in 2000, the Weather Research and Forecasting (WRF) Model has become one of the world’s most widely used numerical weather prediction models. Designed to serve both research and operational needs, it has grown to offer a spectrum of options and capabilities for a wide range of applications. In addition, it underlies a number of tailored systems that address Earth system modeling beyond weather. While the WRF Model has a centralized support effort, it has become a truly community model, driven by the developments and contributions of an active worldwide user base. The WRF Model sees significant use for operational forecasting, and its research implementations are pushing the boundaries of finescale atmospheric simulation. Future model directions include developments in physics, exploiting emerging compute technologies, and ever-innovative applications. From its contributions to research, forecasting, educational, and commercial efforts worldwide, the WRF Model has made a significant mark on numerical weather prediction and atmospheric science.

[1] The augmented Noah land surface model described in the first part of the two-part series was evaluated here over global river basins. Across various climate zones, global-scale tests can reveal a model's weaknesses and strengths that a local-scale testing cannot. In addition, global-scale tests are more challenging than local- and catchment-scale tests. Given constant model parameters (e. g., runoff parameters) across global river basins, global-scale tests are more stringent. We assessed model performance against various satellite and ground-based observations over global river basins through six experiments that mimic a transition from the original Noah LSM to the fully augmented version. The model shows transitional improvements in modeling runoff, soil moisture, snow, and skin temperature, despite considerable increase in computational time by the fully augmented Noah-MP version compared to the original Noah LSM. The dynamic vegetation model favorably captures seasonal and spatial variability of leaf area index and green vegetation fraction. We also conducted 36 ensemble experiments with 36 combinations of optional schemes for runoff, leaf dynamics, stomatal resistance, and the β factor. Runoff schemes play a dominant and different role in controlling soil moisture and its relationship with evapotranspiration compared to ecological processes such as the β factor, vegetation dynamics, and stomatal resistance. The 36-member ensemble mean of runoff performs better than any single member over the world's 50 largest river basins, suggesting a great potential of land-based ensemble simulations for climate prediction.

Abstract Climate change is expected to accelerate the hydrologic cycle, increase the fraction of precipitation that is rain, and enhance snowpack melting. The enhanced hydrological cycle is also expected to increase snowfall amounts due to increased moisture availability. These processes are examined in this paper in the Colorado Headwaters region through the use of a coupled high-resolution climate–runoff model. Four high-resolution simulations of annual snowfall over Colorado are conducted. The simulations are verified using Snowpack Telemetry (SNOTEL) data. Results are then presented regarding the grid spacing needed for appropriate simulation of snowfall. Finally, climate sensitivity is explored using a pseudo–global warming approach. The results show that the proper spatial and temporal depiction of snowfall adequate for water resource and climate change purposes can be achieved with the appropriate choice of model grid spacing and parameterizations. The pseudo–global warming simulations indicate enhanced snowfall on the order of 10%–25% over the Colorado Headwaters region, with the enhancement being less in the core headwaters region due to the topographic reduction of precipitation upstream of the region (rain-shadow effect). The main climate change impacts are in the enhanced melting at the lower-elevation bound of the snowpack and the increased snowfall at higher elevations. The changes in peak snow mass are generally near zero due to these two compensating effects, and simulated wintertime total runoff is above current levels. The 1 April snow water equivalent (SWE) is reduced by 25% in the warmer climate, and the date of maximum SWE occurs 2–17 days prior to current climate results, consistent with previous studies.

Abstract Lake surface conditions are critical for representing lake‐atmosphere interactions in numerical weather prediction. The Community Land Model's 1‐D lake component (CLM‐lake) is part of NOAA's High‐Resolution Rapid Refresh (HRRR) 3‐km weather/earth‐system model, which assumes that virtually all the two thousand lakes represented in CONUS have distinct (for each lake) but spatially uniform depth. To test the sensitivity of CLM‐lake to bathymetry, we ran CLM‐lake as a stand‐alone model for all of 2019 with two bathymetry data sets for 23 selected lakes: the first had default (uniform within each lake) bathymetry while the second used a new, spatially varying bathymetry. We validated simulated lake surface temperature (LST) with both remote and in situ observations to evaluate the skill of both runs and also intercompared modeled ice cover and evaporation. Though model skill varied considerably from lake to lake, using the new bathymetry resulted in marginal improvement over the default. The more important finding is the influence bathymetry has on modeled LST (i.e., differences between model simulations) where lake‐wide LST deviated as much as 10°C between simulations and individual grid cells experienced even greater departures. This demonstrates the sensitivity of surface conditions in atmospheric models to lake bathymetry. The new bathymetry also improved lake depths over the (often too deep) previous value assumed for unknown‐depth lakes. These results have significant implications for numerical weather prediction, especially in regions near large lakes where lake surface conditions often influence the state of the atmosphere via thermal regulation and lake effect precipitation.

Abstract The widely-used community Noah-MP land surface model currently adopts snow albedo parameterizations that are semi-physical in nature and have systematic biases which impact the accuracy of weather and climate modeling systems that use Noah-MP as the land component. We hypothesized that integrating the snowpack radiative transfer scheme from the latest version of the Snow, Ice, and Aerosol Radiative (SNICAR) model can improve the physical representation of snow albedo processes and reduce corresponding land model uncertainties. Therefore, we evaluate Noah-MP simulations employing the SNICAR scheme and compare model accuracy to a Noah-MP simulation using the default semi-physical Biosphere-Atmosphere Transfer Scheme (BATS) scheme using in-situ spectral snow albedo observations at three Rocky Mountain field stations. The agreement between simulated and in-situ observed ground snow albedo is significantly enhanced in NoahMP-SNICAR simulations relative to NoahMP-BATS simulations (root mean square error reductions from 0.116 to 0.103). Especially, NoahMP-SNICAR improves modeled snow albedo variability for fresh snow and aged snowpack (correlation increase from 0.42 to 0.67). The underestimated variability of snow albedo in NoahMP-BATS is a result of inadequate representation of physical linkages between snow albedo evolution and environmental/snowpack conditions (temperature, snow density, snow water equivalent, and light-absorbing particles), which is substantially improved by the NoahMP-SNICAR scheme. This new development of NoahMP-SNICAR physics provides a means to improve snow albedo accuracy and reduce corresponding uncertainties while providing new modeling capabilities such as hyperspectral snow albedo, and effects of snow grain size, snow grain shape, and light-absorbing particles in future studies.