Stochastic generation of subgrid‐scale cloudy columns for large‐scale models
Notice bibliographique
Résumé
Abstract To use the Monte Carlo Independent Column Approximation method for computing domain‐average radiative fluxes in large‐scale atmospheric models (LSAMs), a method is needed for generating cloudy subcolumns within LSAM columns. Here, a stochastic cloud generator is introduced to produce the subcolumns. The generator creates a cloud field on a column‐by‐column basis using information about layer cloud fraction, vertical overlap of cloud fraction and cloud condensate for adjacent layers, and density functions describing horizontal variations in cloud water content. The performance of the generator is assessed using a single day's worth of data from an LSAM simulation that employed a low‐resolution two‐dimensional cloud‐resolving model (CRM) within each LSAM column (a total of ∼59 000 cloudy domains). Statistical characteristics of generated cloud fields are compared against original CRM data, and radiative‐transfer biases associated with the generator are evaluated. When the generator is initialized to the greatest extent possible with information obtained from the CRM fields, overall biases are small. For example, global‐mean total cloud fraction exhibits a bias of −0.004, as compared with −0.024 for maximum‐random overlap (MRO) and 0.047 for random overlap. Biases in radiative fluxes and heating rates are in general ¼ to ½ those for MRO with horizontally homogeneous clouds. Copyright © 2004 Royal Meteorological Society
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 | 0,000 | 0,002 |
| 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 | 0,000 | 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) | 0,001 | 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 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 ».