Using Radar Data to Calibrate a Stochastic Parametrization of Organized Convection
Notice bibliographique
Résumé
Abstract Stochastic parameterizations are increasingly becoming skillful in representing unresolved atmospheric processes for global climate models. The stochastic multicloud model, used to simulate the life cycle of the three most common cloud types (cumulus congestus, deep convective, and stratiform) in tropical convective systems, is one example. In this model, these clouds interact with each other and with their environment according to intuitive‐probabilistic rules determined by a set of predictors, depending on the large‐scale atmospheric state and a set of transition time scale parameters. Here we use a Bayesian statistical method to infer these parameters from radar data. The Bayesian approach is applied to precipitation data collected by the Shared Mobile Atmospheric Research and Teaching Radar truck‐mounted C‐band radar located in the Maldives archipelago, while the corresponding large‐scale predictors were derived from meteorological soundings taken during the Dynamics of the Madden‐Julian Oscillation field campaign. The transition time scales were inferred from three different phases of the Madden‐Julian Oscillation (suppressed, initiation, and active) and compared with previous studies. The performance of the stochastic multicloud model is also assessed, in a stand‐alone mode, where the cloud model is forced directly by the observed predictors without feedback into the environmental variables. The results showed a wide spread in the inferred parameter values due in part to the lack of the desired sensitivity of the model to the predictors and the shortness of the training periods that did not include both active and suppressed convection phases simultaneously. Nonetheless, the resemblance of the stand‐alone simulated cloud fraction time series to the radar data is encouraging.
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 ».