Direct entrainment and detrainment rate distributions of individual shallow cumulus clouds in an LES
Notice bibliographique
Résumé
Abstract. Probability distribution functions of shallow cumulus cloud core entrainment and detrainment rates are calculated using 4362 individual cumulus clouds isolated from LES (large eddy simulation) using a cloud tracking algorithm. Calculation of the mutual information between fractional entrainment/detrainment and a variety of mean cloud core properties suggests that fractional entrainment rate is best predicted by the mean cloud buoyancy B and the environmental buoyancy lapse rate dθρ/dz at that level, while fractional detrainment is best predicted by the mean vertical velocity w and the critical mixing fraction χc. Fractional entrainment and detrainment rates are relatively insensitive to cloud core horizontal area, and the perimeter of horizontal cloud core sections display an a0.73 dependence. This implies that cloud core mass entrainment flux E is proportional to cloud core cross-sectional area instead of cloud core surface area, as is generally assumed. Empirical best-fit relations for ε(B, dθρ/dz and δ(w, χc) are found for both individual shallow cumulus clouds and cloud ensembles. It is found that clouds with high buoyancy in strong stratification experience low entrainment rates, while clouds with high vertical velocities and critical mixing fractions experience low detrainment rates.
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 | 0,000 | 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 | 0,000 | 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) | 0,002 | 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 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 ».