A parametrization of 3‐D subgrid‐scale clouds for conventional GCMs: Assessment using A‐Train satellite data and solar radiative transfer characteristics
Notice bibliographique
Résumé
ABSTRACT A stochastic algorithm for generating 3‐D cloud fields based on profiles of cloud fraction and mean cloud water content is presented and assessed using cloud properties inferred from A‐Train satellite data. The ultimate intention is to employ the algorithm, along with 3‐D radiative transfer (RT) models, in Global Climate Models (GCMs). The algorithm approaches cloud fields as whole objects demarcated by contiguous layers with . This contrasts with conventional GCM radiation routines that deal with clouds on a per‐(arbitrary) layer basis. A‐Train cloud data for August 2007 were partitioned into ∼29,000 domains, each ∼280 km long, to represent nominal GCM columns. For each A‐Train/stochastic pair of domains, profiles of domain‐averaged fluxes were computed by a 1‐D broadband solar RT model in Independent Column Approximation mode. Globally averaged, mean bias error for upwelling radiation at top‐of‐atmosphere (TOA) is 6.8 W m −2 . Upon advancing the RT model to 2‐D, differences between 1‐D and 2‐D upwelling fluxes at TOA for A‐Train domains differed from corresponding differences for model‐generated domains by ∼1 W m −2 , on average, with differences for the model domains exhibiting stronger dependence on solar zenith angle . Moving on to 3‐D RT for model domains, 1‐D–3‐D differences became slightly stronger functions of thanks mostly to accentuated 3‐D effects at small . Simple parametrizations for the stochastic algorithm's variables that govern horizontal and vertical structure of clouds should be adequate to capture the ramifications of systematic neglect of 3‐D solar RT in GCMs.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».