One-Dimensional Variational Data Assimilation of SSM/I Observations in Rainy Atmospheres at MSC
Notice bibliographique
Résumé
Abstract Currently, satellite radiances in the Canadian Meteorological Centre operational data assimilation system are only assimilated in clear skies. A two-step method, developed at the European Centre for Medium-Range Weather Forecasts, is considered to assimilate Special Sensor Microwave Imager (SSM/I) observations in rainy atmospheres. The first step consists of a one-dimensional variational data assimilation (1DVAR) method. Model temperature and humidity profiles are adjusted by assimilating either SSM/I brightness temperatures or retrieved surface rain rates (derived from SSM/I brightness temperatures). In the second step, 1DVAR column-integrated water vapor analyses are assimilated in four-dimensional variational data assimilation (4DVAR). At the Meteorological Service of Canada, such a 1DVAR assimilation system has been developed. Model profiles are obtained from a research version of the Global Environmental Multi-Scale model. Several issues raised while developing the 1DVAR system are addressed. The impact of the size of the observation error is studied when brightness temperatures are assimilated. For two case studies, analyses are derived when either surface rain rate or brightness temperatures are assimilated. Differences in the analyzed fields between these configurations are discussed and shortcomings of each approach are identified. Results of sensitivity studies are also provided. First the impact of observation error correlation between channels is investigated. Second, the size of the background temperature error is varied to assess its impact on the analyzed column-integrated water vapor. Third, the importance of each moist physical scheme is investigated. Finally, the portability of moist physical schemes specifically developed for data assimilation is discussed.
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) | 0,007 | 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 ».