Satellite cloud and precipitation assimilation at operational NWP centres
Notice bibliographique
Résumé
Abstract The status of current efforts to assimilate cloud‐ and precipitation‐affected satellite data is summarised with special focus on infrared and microwave radiance data obtained from operational Earth observation satellites. All global centres pursue efforts to enhance infrared radiance data usage due to the limited availability of temperature observations in cloudy regions where forecast skill is estimated to strongly depend on the initial conditions. Most systems focus on the sharpening of weighting functions at cloud top providing high vertical resolution temperature increments to the analysis, mainly in areas of persistent high and low cloud cover. Microwave radiance assimilation produces impact on the deeper atmospheric moisture structures as well as cloud microphysics and, through control variable and background‐error formulation, also on temperature but to lesser extent than infrared data. Examples of how the impacts of these two observation types are combined are shown for subtropical low‐level cloud regimes. The overall impact of assimilating such data on forecast skill is measurably positive despite the fact that the employed assimilation systems have been constructed and optimized for clear‐sky data. This leads to the conclusion that a better understanding and modelling of model processes in cloud‐affected areas and data assimilation system enhancements through inclusion of moist processes and their error characterization will contribute substantially to future forecast improvement. Copyright © 2011 Royal Meteorological Society, Crown in the right of Canada, and British Crown copyright, the Met Office
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 | 0,000 |
| 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) | 0,003 | 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 ».