Error Analysis for an Algorithm That Reduces Radiative Transfer Calculations in High‐Resolution Atmospheric Models
Notice bibliographique
Résumé
Abstract This study assesses characteristics of spatial and temporal errors for net (shortwave + longwave) surface irradiances and atmospheric heating rates predicted by the Partitioned‐Gauss‐Legendre Quadrature (PGLQ) algorithm, whose aim is to economize computation of radiative transfer (RT) in high‐resolution cloud system‐resolving models (CSRMs). Most results reported here are for PGLQ having made 200 times fewer calls to the RT models than the Independent Column Approximation, which applies the RT models to each column in CSRM domains. Due to the nature of GLQ, PGLQ yields almost unbiased domain averages. This is shown for data pertaining to two convective cloud systems produced by a CSRM. Relative to the Independent Column Approximation, PGLQ works with much reduced amounts of information, and so it has the potential to produce rare, but sizable, localized errors. Two methods are employed to assess the “randomness” of spatial and temporal series of PGLQ flux and heating rate errors; one of which is developed here. Regarding spatial transects of net surface irradiance errors Δ F NET , ~30–60% of them are considered by both assessment techniques, simultaneously, to be indistinguishable, at the 95% confidence level, from fully uncorrelated sequences. Correspondingly, for time series of Δ F NET (at 8‐s time step), ~15–20% of 128‐step series, and ~10–70% of 30‐step series are considered by both methods, simultaneously, to be random. For time series of errors for net radiative heating rates, ~40% of cloudless series get classed, by both tests simultaneously, as random, compared to ~20% of those that contain some cloud.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».