MétaCan
Menu
Retour à la cohorte
Enregistrement W2800671306 · doi:10.1175/jcli-d-17-0814.1

Temporal Filtering Enhances the Skewness of Sea Surface Winds

2018· article· en· W2800671306 sur OpenAlexafffund
Adam H. Monahan

Notice bibliographique

RevueJournal of Climate · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensUniversity of Victoria
Organismes subventionnairesDivision of Mathematical SciencesNatural Sciences and Engineering Research Council of Canada
Mots-clésSkewnessAtmospheric noiseClimatologyRadiosondeNoise (video)Environmental scienceSea surface temperatureMultiplicative noiseMiddle latitudesMeteorologyGaussianAtmospheric sciencesGeologyMathematicsPhysicsStatisticsTransmission (telecommunications)Computer science

Résumé

récupéré en direct d'OpenAlex

Abstract The component of the sea surface wind in the along-mean wind direction is known to display pronounced skewness at many locations over the ocean. A recent study by Proistosescu et al. found that the skewness of daily 850-hPa air temperature measured by radiosondes is typically reduced by bandpass filtering. This behavior was also shown to be characteristic of correlated additive–multiplicative (CAM) noise, which has been proposed as a generic model for non-Gaussian variability in the atmosphere and ocean. The present study shows that if the cutoff frequency is not too low, the skewness of the along-mean wind component is enhanced by low-pass filtering, particularly in the equatorial band and in the midlatitude storm tracks. The filter time scale beyond which skewness is systematically reduced by filtering is of the daily to synoptic scale, except in a narrow equatorial band where it is of subseasonal to seasonal time scales. This behavior is reproduced in an idealized stochastic model of the near-surface winds, in which key parameters are the characteristic time scales of the nonlinear dynamics and of the noise. These results point toward more general approaches for assessing the relative importance of multiplicative noise or dynamical nonlinearities in producing non-Gaussian structure in atmospheric and oceanic fields.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,274
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of ClimateMême sujetClimate variability and modelsTravaux en français237 207