Comparative Analysis of the Local Observation-Based (LOB) Method and the Nonparametric Regression-Based Method for Gridded Bias Correction in Mesoscale Weather Forecasting
Notice bibliographique
Résumé
Abstract The comparative analysis of three methods for objective grid-based bias removal in mesoscale numerical weather prediction models is considered. The first technique is the local observation-based (LOB) method that extends further the approaches of several recent studies and is focused on utilizing the information obtained from meteorological stations or neighbor grid points in the proximity of a site of interest. The bias at a site of interest might then be considered as a spatiotemporal function of the weighted information on the past biases observed in the cluster of neighbors during a certain time window. The second method is an extension of model output statistics (MOS), combining several modern multiple regression techniques such as the classification and regression trees (CARTs) and the alternative conditional expectation (ACE) and, therefore, is named the CART–ACE method. The CART–ACE method allows representing possible nonlinear aspects of the bias in a parsimonious linearized statistical model. Finally, the third considered method is a natural combination of the LOB and CART–ACE methods in which the information provided by the LOB method is interpreted as an extra predictor in the regression model of the CART–ACE method. The proposed methods are illustrated by a case study of an observation-based verification and bias correction of fifth-generation Pennsylvania State University–National Center for Atmospheric Research Mesoscale Model (MM5) 48-h surface temperature, that is, 2-m temperature, forecasts over the Pacific Northwest.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».