Ozone ensemble forecasts: 2. A Kalman filter predictor bias correction
Notice bibliographique
Résumé
The Kalman filter (KF) is a recursive algorithm to estimate a signal from noisy measurements. In this study it is tested in predictor mode, to postprocess ozone forecasts to remove systematic errors. The recent past forecasts and observations are used by the KF to estimate the future bias. This bias correction is calculated separately for, and applied to, 12 different air quality (AQ) forecasts for the period 11–15 August 2004, over five monitoring stations in the Lower Fraser Valley, British Columbia, Canada, a population center in a complex coastal mountain setting. The 12 AQ forecasts are obtained by driving an AQ Model (CMAQ) with two mesoscale meteorological models (each run at two resolutions) and for three emission scenarios (Delle Monache et al., 2006). From the 12 KF AQ forecasts an ensemble mean is calculated (EK). This ensemble mean is also KF bias corrected, resulting in a high‐quality estimate (KEK) of the short‐term (1‐ to 2‐day) ozone forecast. The Kalman filter predictor bias‐corrected ensemble forecasts have better forecast skill than the raw forecasts for the locations and days used here. The corrected forecasts are improved for correlation, gross error, root mean square error, and unpaired peak prediction accuracy. KEK is the best and EK is the second best forecast overall when compared with the other 12 forecasts. The reason for the success of EK and KEK is that both the systematic and unsystematic errors are reduced, the first by Kalman filtering and the second by ensemble averaging.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».