Probability distributions of land surface wind speeds over North America
Notice bibliographique
Résumé
Knowledge of the probability distributions of surface wind speeds (SWS) is essential for surface flux estimation, wind power estimation, and wind risk assessments. The two‐parameter Weibull distribution is the most widely used empirical distribution for SWS. This study considers the probability density function (PDF) of 3‐hourly observations from 720 weather stations over North America for the period 1979–1999. The PDF of SWS is classified by season, time of day, and land surface type. The Weibull PDF is characterized by a particular relationship between the mean, standard deviation, and skewness. While the moments of the observed daytime SWS PDF are found to collapse around this Weibull relationship, the observed nighttime PDF has a broader range of values and is significantly more skewed than the Weibull PDF over rough surfaces. An idealized model shows that SWS skewness has a much greater rate of change with both the mean and standard deviation of surface buoyancy flux under conditions of stable stratification than that of unstable stratification. This result suggests that surface buoyancy flux plays an important role in generating diurnal variation of SWS PDF. Two global reanalyses products (ERA‐40 and NCEP‐NCAR) and three regional climate models (RCMs) (Rossby Centre Atmospheric Model version 3 (RCA3), limited area version of Global Environmental Multiscale Model (GEM‐LAM), and Canadian Regional Climate Model, version 4 (CRCM4)) all have a less skewed nighttime PDF and a more narrow range of the normal wind speed during day and night. Among them, two of the RCMs capture the observed SWS differences across different land cover types, and only one of the RCMs produces the observed seasonal peak of SWS PDF.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».