Quantification of Shortwave Surface Albedo Feedback Using a Neural Network Approach
Notice bibliographique
Résumé
Radiative transfer is a nonlinear process. Despite this, most current methods to evaluate radiative feedback, such as the kernel method, rely on linear assumptions. Neural network (NN) models can emulate nonlinear radiative transfer due to their structure and activation functions. This study aims to test whether NNs can be used to evaluate shortwave radiative feedbacks and to assess their performance. This study focuses on the shortwave radiative feedback driven by surface albedo. An NN model is first trained using idealized cases, simulating truth values from a radiative transfer model via the partial radiative perturbation method. Two heuristic cases are analyzed: univariate feedback, perturbing the albedo; and bivariate feedback, perturbing the albedo and cloud cover concurrently. These test the NN’s ability to capture nonlinearity in the albedo–flux and albedo–cloud–flux relationships. We identify the minimal NN structure and predictor variables for accurate predictions. Then, an NN model is trained with realistic radiation flux and atmospheric variable data and is tested with respect to its predictions at different order levels: zero-order for the flux itself, first-order for radiative sensitivity (kernels), and second-order for kernel differences. This paper documents the test results and explains the NN’s ability to reproduce the complex nonlinear relationship between radiation flux and different atmospheric variables, such as surface albedo, cloud optical depth, and their coupling effects.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».