On the reliability of spatially disaggregated global ensemble rainfall forecasts
Notice bibliographique
Résumé
Abstract Ensemble rainfall forecasts are of high interest for decision making, as they provide an explicit and dynamic assessment of the uncertainty in the forecast. However, for hydrological forecasting, their low resolution currently limits their use to large watersheds. To bridge this gap, various implementations of a spatial statistical downscaling method were compared, bringing Environment Canada's global ensemble rainfall forecasts from a 100 × 70‐km resolution down to 6 × 4‐km while increasing each pixel's rainfall variance and preserving its original mean. This was applied for nine consecutive days of summer 2009 with strong rain events over Quebec City, Canada. For comparison purposes, simpler methods were also implemented such as the bilinear interpolation, which disaggregates global forecasts without modifying their variance. The meteorological products were evaluated, using different scores and diagrams, against observed values taken from Quebec City rain gauge network. The most important conclusions of this work are that the overall quality of the forecasts was preserved during the disaggregation procedure and that the disaggregated products using the variance‐enhancing method were of similar quality than bilinear interpolation products. However, variance and dispersion of the different members were, of course, much improved for the variance‐enhanced products, compared with the bilinear interpolation, which is a decisive advantage. Therefore, there is an interest in implementing variance‐enhancing methods to disaggregate global ensemble rainfall forecasts. Copyright © 2012 Her Majesty the Queen in right of Canada. Published by John Wiley & Sons, Ltd.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».