Computation of domain‐average radiative flux profiles using Gaussian quadrature
Notice bibliographique
Résumé
A method for calculating domain‐average radiative flux profiles, called Gaussian Quadrature Independent Column Approximation (GQ‐ICA), is introduced and assessed using cloud properties retrieved from A‐Train satellite data. This method could be suitable for use in large‐scale atmospheric models. Like the Monte Carlo ICA (McICA), GQ‐ICA uses N stochastically generated subgrid‐scale cloudy columns. The independent variable is the sorted, from smallest to largest, sequence of N sub‐column values of liquid and ice cloud water paths. The integrand is essentially the radiative transfer equation. Accurate GQ integration requires integrands to be relatively smooth functions. Unlike McICA, GQ‐ICA performs full solar and infrared spectral integrations on n G < < N sub‐columns which are identified by rules governing n G ‐node GQ. The n G flux profiles are appropriately weighted and summed to give domain averages. Several sorting procedures were considered, and all results are based on the CCCma radiation algorithm. For solar radiation, 1‐node GQ‐ICA can produce significant bias errors, but its random errors are generally less than McICA's. These biases, however, are almost eliminated by 2‐node GQ‐ICA. For GQ‐ICA to better McICA's random errors for infrared fluxes, at least the 2‐node version is needed. Ultimately, 2‐node GQ‐ICA random errors for net fluxes at surface and top‐of‐atmosphere are typically 30–50% of McICA's. This is partly because solar and infrared solvers operate on the same sub‐columns. GQ‐ICA random errors for atmospheric heating rates are comparable to McICA's even for 3‐node GQ‐ICA. Computational times required for the 2‐ and 3‐node GQ‐ICA are, respectively, ∼180 and ∼230% of McICA's.
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 | 0,001 |
| 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 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 ».