A climatology of trapped lee waves over Britain and Ireland obtained using deep learning on high‐resolution model output
Notice bibliographique
Résumé
ABSTRACT This article presents a climatology of trapped lee waves over Britain and Ireland obtained through deep learning. Several deep‐learning models trained to diagnose lee‐wave occurrence, amplitude, wavelength, and orientation are applied to a 31‐year high‐resolution hindcast dataset covering 1982–2012, from UK Climate Projections (UKCP18) data, driven by ERA‐Interim reanalysis data. Building on previous work to examine lee‐wave characteristics over Britain and Ireland, this study applies a new technique to a much larger dataset than has been used in the past. There is little diurnal variability observed in the occurrence and characteristics of lee waves. Spatially, most lee waves occur over hilly regions, such as the Scottish Highlands, the Lake District and the Pennines in England, and North Wales. Seasonally, lee waves occur more in the winter months than in the summer. The link between synoptic weather patterns and lee waves is quantified, with more lee waves produced and a higher likelihood of higher amplitude waves under patterns with faster synoptic wind speeds, such as the positive phase of the North Atlantic Oscillation (NAO+). The mean orientation of waves is broadly in line with the synoptic wind direction, though with a large spread in some cases. High horizontal wind speeds aloft are a necessary but not sufficient indicator of high‐amplitude lee waves. When other meteorological variables are used to predict the prevalence of lee waves using a random forest, the Scorer parameter is the most important for predicting the generation of lee waves alongside horizontal wind speed: there is less importance placed on the stability. This climatology provides a novel data‐driven insight into the formation and propagation of lee waves over Britain and Ireland.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».