MétaCan
Menu
Retour à la cohorte
Enregistrement W2897587641 · doi:10.5194/npg-2018-44

Characterising regime behaviour in the stably stratified nocturnal boundary layer on the basis of stationary Markov chains

2018· article· en· W2897587641 sur OpenAlexaff
Carsten Abraham, Adam H. Monahan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWind and Air Flow Studies
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNational Oceanic and Atmospheric Administration
Mots-clésMarkov chainStatistical physicsMarkov modelBoundary (topology)Markov chain mixing timeHidden Markov modelBalance equationBoundary layerStationary distributionMarkov processVariable-order Markov modelMarkov propertyContinuous-time Markov chainMathematicsDiscrete phase-type distributionTransition (genetics)Stochastic matrixStatisticsPhysicsComputer scienceMathematical analysisMechanicsArtificial intelligenceChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract. Recent research has demonstrated that hidden Markov model (HMM) analysis is an effective tool to classify regimes of the stratified nocturnal boundary layer (SBL) at different tower sites. Here we analyse if SBL regime statistics (the occurrence of regime transitions, subsequent transitions after the first, and very persistent nights) in observations match theoretical calculations obtained from a stationary Markov chain with the goal of developing the foundations of novel Markov-chain-based boundary layer schemes which capture the effects of SBL regime dynamics. The regime statistics of a stationary Markov chain using the best estimate transition probabilities from the HMM analyses generally overestimate occurrence probabilities of regime transitions, resulting in an underestimation of persistent nights. Across the locations considered, sensitivity analyses of transition probability matrices in the HMM and the stationary Markov chain reveal that regimes are generally required to be more persistent in the stationary Markov chain in order to simulate observations accurately. A range of transition probability matrices allowing for a relatively accurate description of the occurrence of at least one transition within a night, multiple transitions, and the mean event durations is identified. The occurrence of very persistent nights (nights without regime transitions) is found to depend highly on the season. Therefore, for better representations of very persistent nights a nonstationary Markov chain linked to external drivers is likely appropriate. The observed transition probability maximum between one and two hours after a previous transition cannot be accounted for by two-state Markov processes (stationary or not). The use of these results in the development of SBL turbulence parameterisations is discussed.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
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 GPT0,248
Écart entre enseignants0,227 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWind and Air Flow StudiesTravaux en français237 207