Этот файл из на Викискладе и может использоваться в других проектах.
Информация с его страницы описания приведена ниже.
Краткое описание
Restorative-iterative initialization for a global prediction model
()
Автор
Winninghoff, Francis J.
Название
Restorative-iterative initialization for a global prediction model
Издательство
Monterey, California : Naval Postgraduate School
Описание
Title from cover
"September 1971"--Cover
"NPS-51WT71081A"--Cover
DTIC Identifiers: Adiabatic flow
Author(s) key words: Restorative-iterative, global prediction model
Includes bibliographical references (p. 12)
Technical report; 1971
A restorative-iterative procedure is tested in initializing the height and wind fields for a global barotropic model. Real 500 mb. data is used as the basis of the initial height values in the mid latitudes and as the basis of the initial streamfunction values in the tropics. The procedure is tested for the case of frictionless and adiabatic flow and for the case where friction and a simulated heating function is included. In addition, experiments were performed in which an 'observed' divergent wind was added in the tropics. Results are very encouraging in the sense that the amplitudes of the external inertia-gravity motions excited due to initial imbalance between the mass and wind fields are reduced considerably with the use of the procedure. (Author)
Subjects: CONTROL THEORY.
Язык
en_US
Дата публикации
сентябрь 1971
publication_date QS:P577,+1971-09-00T00:00:00Z/10
Текущее местонахождение
IA Collections: navalpostgraduateschoollibrary; fedlink; americana
FEDLINK - United States Federal Collection restorativeitera00winn (User talk:Fæ/CCE volumes#Fork8) (batch 1970-1973 #7354)
Использование файла
Нет страниц, использующих этот файл.
Метаданные
Файл содержит дополнительные данные, обычно добавляемые цифровыми камерами или сканерами. Если файл после создания редактировался, то некоторые параметры могут не соответствовать текущему изображению.
Краткое название
Restorative-iterative initialization for a global prediction model