Evaluation of a Spatial/Spectral Covariance Localization Approach for Atmospheric Data Assimilation
Notice bibliographique
Résumé
In this study, several approaches for estimating background-error covariances from an ensemble of error realizations are examined, including a new spatial/spectral localization approach. The new approach shares aspects of both the spatial localization and wavelet-diagonal approaches. This approach also enables the use of different spatial localization functions for the covariances associated with each of a set of overlapping horizontal wavenumber bands. The use of such scale-dependent spatial localization (more severe localization for small horizontal scales) is shown to reduce the error in spatial correlation estimates. A comparison of spatial localization, spatial/spectral localization, and wavelet-diagonal approaches shows that the approach resulting in the lowest estimation error depends on the ensemble size. For a relatively large ensemble (48 members), the spatial/spectral localization approach produces the lowest error. When using a much smaller ensemble (12 members), the wavelet-diagonal approach results in the lowest error. Qualitatively, the horizontal correlation functions resulting from spatial/spectral localization appear smoother and less noisy than those from spatial localization, but preserve more of the heterogeneous and anisotropic nature of the raw sample correlations than the wavelet-diagonal approach. The new spatial/spectral localization approach is compared with spatial localization in a set of 1-month three-dimensional variational data assimilation (3D-Var) experiments using a full set of real atmospheric observations. Preliminary results show that spatial/spectral localization provides a nearly similar forecast quality, and in some regions improved forecast quality, as spatial localization while using an ensemble of half the size (48 vs 96 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.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».