Application of a Monte Carlo solar radiative transfer modelin the McICA framework
Notice bibliographique
Résumé
Large‐scale atmospheric models (LSAMs) that utilize the Monte Carlo Independent Column Approximation (McICA) have, thus far, paired McICA only with two‐stream approximations (TSAs) of the radiative transfer equation. In this study, the short‐wave TSA is exchanged for a Monte Carlo (MC) photon transport model. More than 44 000 domains of cloud properties retrieved from A‐Train satellite data, each measuring 256 km in length, were used to assess the noise characteristics of TSA‐ and MC‐based McICA models. It appears as though application of an MC algorithm in McICA will be both beneficial and tractable for LSAMs. This is because known levels of acceptable radiative noise produced by TSA‐based McICAs can be achieved with small numbers of MC photons. The greatest concern with the TSA McICA has been noise associated with heating rates for cloudy layers. But with as few as 500–1000 photons per simulation, the MC McICA reduces cloudy layer heating rate errors by typically ∼20%. Furthermore, since MC models can utilize detailed descriptions of cloud particle scattering phase functions and TSAs use only corresponding asymmetry parameters, TSA‐based McICAs, on average, overestimate all‐sky top‐of‐atmosphere reflected flux density at small solar zenith angles θ0 by ∼3 W m−2 and underestimate it at large θ0 by ∼1 W m−2; vice versa for surface net flux density. Systematic biases such as these are important when attempting to balance an LSAM's energy budgets and when making detailed estimates of radiative forcings due to anthropogenic activities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».