Numerical Simulations of Orographic Convection across Multiple Gray Zones
Notice bibliographique
Résumé
Abstract Idealized simulations are used to determine the sensitivity of moist orographic convection to horizontal grid spacing Δ h . In simulated mechanically (MECH) and thermally (THERM) forced convection over an isolated ridge, Δ h is varied systematically over both the deep-convection (Δ h ~ 10–1 km) and turbulence (Δ h ~ 1 km–100 m) gray zones. To aid physical interpretation, a new parcel-based bulk entrainment/detrainment diagnosis for horizontally heterogeneous flows is developed. Within the deep-convection gray zone, the Δ h sensitivity is dominated by differences in parameterized versus explicit convection; the former initiates convection too far upstream of the ridge (MECH) and too early in the diurnal heating cycle (THERM). These errors stem in part from a large underprediction of parameterized entrainment and detrainment. Within the turbulence gray zone, sensitivities to Δ h arise from the representation of both subcloud- and cloud-layer turbulence. As Δ h is decreased, MECH exhibits stronger cloud-layer entrainment to enhance the convective mass flux M co , while THERM exhibits stronger detrainment to suppress M co and delay convection initiation. The latter is reinforced by increased subcloud turbulence at smaller Δ h , which leads to drying and diffusion of the central updraft responsible for initiating moist convection. Numerical convergence to a robust solution occurs only in THERM, which develops a fully turbulent flow with a resolved inertial subrange (for Δ h ≤ 250 m). In MECH, by contrast, turbulent transition occurs within the orographic cloud, the details of which depend on both physical location and Δ h .
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».