MétaCan
Menu
Retour à la cohorte
Enregistrement W2008616518 · doi:10.1175/jas-d-12-0175.1

Postprocessing Model-Predicted Rainfall Fields in the Spectral Domain Using Phase Information from Radar Observations

2012· article· en· W2008616518 sur OpenAlexaff
Basivi Radhakrishna, Isztar Zawadzki, Frédéric Fabry

Notice bibliographique

RevueJournal of the Atmospheric Sciences · 2012
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMeteorological Phenomena and Simulations
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésWeather Research and Forecasting ModelRadarAmplitudeDecorrelationFourier transformNowcastingRemote sensingPhase (matter)MeteorologyGeologyPhysicsMathematicsComputer scienceOpticsAlgorithmMathematical analysisTelecommunications

Résumé

récupéré en direct d'OpenAlex

Abstract In an attempt to combine the short-term skill of radar nowcasting and the long-term skill of numerical models, successive 15-min rainfall accumulations obtained from the U.S. national radar composites and predicted by the Weather Research and Forecasting (WRF) model are corrected by adjusting the phases of Fourier components in the spectral domain while keeping the amplitudes invariant. The phase information is first obtained by decomposing the radar and model fields into Fourier space. Then, to correct the model outputs, a new set of Fourier components is constructed using the phases from the radar image and amplitudes from the model image. The corrected model image can be obtained by inverse transformation of the new set of Fourier components. Scales of wavelengths starting from 50 to 500 km are playing a crucial role in correcting the positional and intensity errors of continental-scale precipitating systems predicted by the WRF model, while scales greater than 500 km are contributing very little, which is negligible. The model errors are characterized in terms of phase and power. Compared to power/amplitude correction, phase correction plays a major role in eliminating the positional and intensity errors. Scales that are responsible for the errors or not predicted by the model have a decorrelation time of about 2 h in both the zonal and meridional directions. The higher critical success index (CSI) and smaller RMS error values of the radar-extrapolated and phase-corrected fields compared with the WRF model–predicted fields indicate that the extrapolated phase information can be used to correct the model outputs up to a lead time of about 4 h.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,275
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Atmospheric SciencesMême sujetMeteorological Phenomena and SimulationsTravaux en français237 207