Overlap of fractional cloud for radiation calculations in GCMs: A global analysis using CloudSat and CALIPSO data
Notice bibliographique
Résumé
Assumptions made by global climate models (GCMs) regarding vertical overlap of fractional amounts of clouds have significant impacts on simulated radiation budgets. A global survey of fractional cloud overlap properties was performed using 2 months of cloud mask data derived from CloudSat‐CALIPSO satellite measurements. Cloud overlap was diagnosed as a combination of maximum and random overlap and characterized by vertically constant decorrelation length cf * . Typically, clouds overlap between maximum and random with smallest cf * (medians → 0 km) associated with small total cloud amounts , while the largest cf * (medians ∼3 km) tend to occur at near 0.7. Global median cf * is ∼2 km with a slight tendency for largest values in the tropics and polar regions during winter. By crudely excising near‐surface precipitation from cloud mask data, cf * were reduced by typically <1 km. Median values of cf * when Sun is down exceed those when Sun is up by almost 1 km when cloud masks are based on radar and lidar data; use of radar only shows minimal diurnal variation but significantly larger cf * . This suggests that sunup inferences of cf * might be biased low by solar noise in lidar data. Cloud mask cross‐section lengths L of 50, 100, 200, 500, and 1000 km were considered. Distributions of cf * are mildly sensitive to L thus suggesting the convenient possibility that a GCM parametrization of cf * might be resolution‐independent over a wide range of resolutions. Simple parametrization of cf * might be possible if excessive random noise in , and hence radiative fluxes, can be tolerated. Using just cloud mask data and assuming a global mean shortwave cloud radiative effect of −45 W m −2 , top of atmosphere shortwave radiative sensitivity to cf * was estimated at 2 to 3 W m −2 km −1 .
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».