کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
8883468 | 1625613 | 2016 | 12 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Stochastic longshore current dynamics
ترجمه فارسی عنوان
دینامیک جاری جریان دراز مدت
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ترجمه چکیده
ما یک معیار جدید از کاربرد مدل های تصادفی از فرآیندهای پیچیده را معرفی می کنیم، که ما آن را یکسان بودن حساسیت می نامیم. یک مدل با ثبات ضعیف حساسیت نیاز به تعدیل زیادی از پارامترها دارد و طیف بسیار محدودی از پارامترهای واقع گرایانه را به دنبال دارد که منجر به نتایج متناسب با طیف معقول نتایج فیزیکی می شود. ما این پارامتر را به پارامترهای تصادفی ما اعمال می کنیم و نشان می دهیم که از دست دادن اطمینان ذاتی در مدل به دلیل ماهیت تصادفی آن، همگام سازی حساسیت حاصل از مدل جبران می شود. به طور خاص، مدل تصادفی هنوز حساسیت رو به جلو از مدل قطعی را حفظ می کند و از این رو محدودیت های ساختاری / فیزیکی را مورد توجه قرار می دهد، اما طیف گسترده ای از پارامترها را قادر می سازد که نتایج را مطابق با داده های زمینه مورد استفاده در ارزیابی مدل قرار دهند. این منجر به طیف گسترده ای از کاربرد مدل می شود. ما نشان می دهد که در بستر سنجش داده ها پارامتر تصادفی جریان های طولانی مدت نتایج خوبی در دست گرفتن آمار مشاهدات است که در تنظیم مدل استفاده نشده است.
موضوعات مرتبط
مهندسی و علوم پایه
علوم زمین و سیارات
فرآیندهای سطح زمین
چکیده انگلیسی
We introduce a novel measure of the utility of stochastic models of complex processes, that we call consistency of sensitivity. A model with poor consistency of sensitivity requires a great deal of tuning of parameters and has a very narrow range of realistic parameters leading to outcomes consistent with a reasonable spectrum of physical outcomes. We apply this metric to our stochastic parametrization and show that, the loss of certainty inherent in model due to its stochastic nature is offset by the model's resulting consistency of sensitivity. In particular, the stochastic model still retains the forward sensitivity of the deterministic model and hence respects important structural/physical constraints, yet has a broader range of parameters capable of producing outcomes consistent with the field data used in evaluating the model. This leads to an expanded range of model applicability. We show, in the context of data assimilation, the stochastic parametrization of longshore currents achieves good results in capturing the statistics of observation that were not used in tuning the model.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Advances in Water Resources - Volume 98, December 2016, Pages 186-197
Journal: Advances in Water Resources - Volume 98, December 2016, Pages 186-197
نویسندگان
Juan M. Restrepo, Shankar Venkataramani,