The Monte Carlo Independent Column Approximation’s Conditional Random Noise: Impact on Simulated Climate
Notice bibliographique
Résumé
Abstract The Monte Carlo Independent Column Approximation (McICA) method for computing domain-average radiative fluxes is unbiased with respect to the full ICA, but its flux estimates contain conditional random noise. Results for five experiments are used to assess the impact of McICA-related noise on simulations of global climate made by the NCAR Community Atmosphere Model (CAM). The experiment with the least noise (an order of magnitude below that of basic McICA) is taken as the reference. Two additional experiments help demonstrate how the impact of noise depends on the time interval between calls to the radiation code. Each experiment is an ensemble of seven 15-month simulations. Experiments with very high noise levels feature significant reductions to cloudiness in the lowermost model layer over tropical oceans as well as changes in highly related quantities. This bias appears immediately, stabilizes after a couple of model days, and appears to stem from nonlinear interactions between clouds and radiative heating. Outside the Tropics, insignificant differences prevail. When McICA sampling is confined to cloudy subcolumns and when, on average, 50% more samples, relative to basic McICA, are drawn for selected spectral intervals, McICA noise is much reduced and the results of the simulation are almost statistically indistinguishable from the reference. This is true both for mean fields and for the nature of fluctuations on scales ranging from 1 day to at least 30 days. While calling the radiation code once every 3 h instead of every hour allows the CAM additional time to incorporate McICA-related noise, the impact of noise is enhanced only slightly. In contrast, changing the radiative time step by itself produces effects that generally exceed the impact of McICA’s noise.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».