Ensemble Kalman Filter Configurations and Their Performance with the Logistic Map
Notice bibliographique
Résumé
Abstract This paper examines ensemble Kalman filter (EnKF) performance for a number of different EnKF configurations. The study is performed in a perfect-model context using the logistic map as forecast model. The focus is on EnKF performance when the ensemble is small. In accordance with theory, it is found that those configurations that maintain an appropriate ensemble spread are indeed those with the smallest ensemble mean error in a data assimilation cycle. Thus, the deficient ensemble spread produced by the single-ensemble EnKF results in increased ensemble mean error for this configuration. This problem with the conceptually simplest EnKF motivates an examination of a variety of other configurations. These include the configuration with a pair of ensembles and several configurations with overlapping ensembles, such as the four-subensemble configuration (used operationally at the Canadian Meteorological Centre) and the configuration in which observations are assimilated into each member using a gain computed from all of the other members. Also examined is a configuration that uses the jackknife estimator to obtain an estimate of the gain and an estimate of its uncertainty. Using these estimates, a different perturbed gain is then produced for each ensemble member. In general, it is found that these latter configurations outperform both the single-ensemble EnKF and the configuration with a pair of ensembles. In addition to these “stochastic” filters, the performance of a “deterministic” filter (which does not use perturbed observations) is also examined.
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 | 0,000 | 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) | 0,002 | 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 ».