Assimilation of sea surface temperature into CECOM by flux correction
Notice bibliographique
Résumé
Sea surface temperature (SST) from a near real-time data set produced from satellites data has been assimilated into a coupled ice–ocean forecasting model (Canadian East Coast Ocean Model) using an efficient data assimilation method. The method is based on an optimal interpolation scheme by which SST is melded into the model through the adjustment of surface heat flux. The magnitude and space–time variation of the adjustment depend on the depth of heat diffusion into the water column in response to changes in surface flux, the correlation time scale of the data, and model and data errors. The diffusion depth is scaled by the eddy diffusivity for temperature. The ratio of the model and data errors is treated as an adjustable parameter. To evaluate the quality of the assimilation, the results from the model with and without assimilation are compared to independent ship data from the Atlantic Zone Monitoring Program and the World Ocean Circulation Experiment. It is shown that the assimilation has a significant impact on the modeled SST, reducing the root mean square difference (RMSD) between the model SST and the ship SST by 0.63°C or 37%. The RMSD of the assimilated SST is smaller than that of the satellite SST by 0.23°C. This suggests that model simulations or predictions with data assimilation can provide the best estimate of the true SST. A sensitivity study is performed to examine the change of the model RMSD with the adjustable parameter in the assimilation equation. The results show that there is an optimal value of the parameter and the model SST is not very sensitive to the parameter.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».