Assimilating Surface Weather Observations from Complex Terrain into a High-Resolution Numerical Weather Prediction Model
Notice bibliographique
Résumé
Abstract An anisotropic surface analysis method based on the mother–daughter (MD) approach has been developed to spread valley station observations to grid points in circuitous steep valleys. In this paper, the MD approach is further refined to allow spreading the mountain-top observations to grid points near neighboring high ridges across valleys. Starting with a 3D first guess from a high-resolution mesoscale model forecast, surface weather observations are assimilated into the boundary layer, and pseudo-upper-air data (interpolated from the coarser-resolution analyses from major operational centers) are assimilated into the free atmosphere. Incremental analysis updating is then used to incorporate the final analysis increments (the difference between the final analysis and the first guess) into a high-resolution numerical weather prediction model. The MD approaches (including one with shoreline refinement) are compared with other objective analysis methods using case examples and daily mesoscale real-time forecast runs during November and December 2004. This study further confirms that the MD approaches outperform the other methods, and that the shoreline refinement achieves better analysis quality than the basic MD approach. The improvement of mountain-top refinement over the basic MD approach increases with the percentage of mountain-top stations, which is usually low. Higher skill in predicting near-surface potential temperature is found when surface information is spread upward throughout the boundary layer instead of at only the bottom model level. The results show improved near-surface forecasts of temperature and humidity that are directly assimilated into the model, but poorer forecasts of near-surface winds and precipitation, which are not assimilated into the model.
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 | 0,000 |
| 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) | 0,005 | 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 ».