A prototype stochastic parameterization of regime behaviour in the stably stratified atmospheric boundary layer
Notice bibliographique
Résumé
Abstract. Recent research has demonstrated that hidden Markov model (HMM) analysis is an effective tool to classify atmospheric observations of the stably stratified nocturnal boundary layer (SBL) into weakly stable (wSBL) and very stable (vSBL) regimes. Here we consider the development of explicitly stochastic representations of SBL regime dynamics. First, we analyze whether HMM-based SBL regime statistics (the occurrence of regime transitions, subsequent transitions after the first, and very persistent nights) can be accurately represented by “freely running” stationary Markov chains (FSMCs). Our results show that despite the HMM-estimated regime statistics being relatively insensitive to the HMM transition probabilities, these statistics cannot all simultaneously be captured by a FSMC. Furthermore, by construction a FSMC cannot capture the observed non-Markov regime duration distributions. Using the HMM classification of data into wSBL and vSBL regimes, state-dependent transition probabilities conditioned on the bulk Richardson number (RiB) or the stratification are investigated. We find that conditioning on stratification produces more robust results than conditioning on RiB. A prototype explicitly stochastic parameterization is developed based on stratification-dependent transition probabilities, in which turbulence pulses (representing intermittent turbulence events) are added during vSBL conditions. Experiments using an idealized single-column model demonstrate that such an approach can simulate realistic-looking SBL regime dynamics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».