On the Filtering Properties of Ensemble Averaging for Storm-Scale Precipitation Forecasts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The mean (ENM) of an ensemble of precipitation forecasts is generally more skillful than any of the members as verified against observations. A major reason is that the averaging filters out nonpredictable features on which the members disagree. Previous research showed that the nonpredictable features occur at small scales, in both numerical forecasts and Lagrangian persistence nowcasts. Hence, it is plausible that the unpredictable features filtered through ensemble averaging would also occur at small scales. In this study, the exact range of scales affected by averaging is determined by comparing the statistical properties of precipitation fields between the ENM and the individual members from a Storm-Scale Ensemble Forecasting (SSEF) system run during NOAA’s 2008 Hazardous Weather Testbed (HWT) Spring Experiment. The filtering effect of ensemble averaging results in a low-intensity bias for the ENM forecasts. It has been previously proposed to correct the ENM forecasts by recalibrating the intensities in the ENM using the probability density function (PDF) of rainfall values from the ensemble members. This procedure, probability matching (PM), leads to a new ensemble mean, the probability matched mean (PMM). Past studies have shown that the PMM appears more realistic and yields better skill as evaluated using traditional scores. However, the authors demonstrate here that despite the PMM having the same PDF of rainfall intensities as the ensemble members, the spectral structure and the spatial distribution of the precipitation field differs from that of the members. It is the lesser variability of the PMM fields at small scales that causes the better scores of the PMM relative to the ensemble members.
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.
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 découle