On the sensitivity of deep‐convection initiation to horizontal grid resolution
Notice bibliographique
Résumé
Abstract Idealized numerical simulations are used to study the sensitivity of deep‐convection initiation to horizontal grid spacing ( ). In a conditionally unstable but strongly inhibited environment, a localized surface heating function gives rise to low‐level convergence and a vigorous subcloud updraught that breaches the level of free convection (LFC). The vertical cloud development is sensitive to : the clouds reach 8–9 km for m (CTRL) and m (DX500) but only 6–7 km for m (DX125). This trend is not associated with major differences in midlevel cloud vigour (e.g., buoyancy and vertical velocity), but can be explained on the basis of cloud‐core mass flux ( ). The profile is regulated by its value at the LFC, largely set by subcloud processes, and its core‐layer gradient, set by entrainment and detrainment. The former is the largest in CTRL and weakens as the grid is coarsened (DX500) or refined (DX125), both due to a widening and weakening of the subcloud updraught. Whereas in DX500 this widening stems from a failure to adequately resolve the 1‐km‐wide updraught on the model grid, in DX125 it results from stronger total (subgrid plus resolved) turbulent mixing, which increases monotonically as is decreased. The wider and more diffuse updraughts in DX125 and DX500 are also more hydrostatic and generate weaker buoyancy‐driven accelerations. Within the cloud layer, the entrainment is very similar in the three cases, as is the detrainment for the higher‐resolution cases (DX125 and CTRL). However, the midlevel detrainment is relatively weak in DX500, which facilitates slightly deeper ascent than in CTRL. By contrast, the small core‐base and strong midlevel detrainment yields the shallowest clouds in DX125.
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 | 0,002 | 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 | 0,000 |
| 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 ».