The Case-to-Case Variability of the Predictability of Precipitation by a Storm-Scale Ensemble Forecasting System
Notice bibliographique
Résumé
Abstract This paper analyzes the case-to-case variability of the predictability of precipitation by a storm-scale ensemble forecasting (SSEF) system. Relationships are sought between ensemble spread and quantitative precipitation forecast (QPF) skill, and the characteristics of an event, such as the strength of the quasigeostrophic forcing for ascent, the presence of convective equilibrium, and the spatial extent of the precipitation system. It is found that most of the case-to-case variability of predictability is explained by the spatial coverage of the system. The relationship between convection and large-scale forcing seems to affect predictability mostly during the afternoon hours. While the relationships are weak for the entire dataset, two distinct types of cases are identified: widespread and diurnally forced cases. The loss of predictability at small scales, the effect of the radar data assimilation, and the comparison between forecasts from the SSEF and Lagrangian persistence forecasts are analyzed separately for these two types of cases. Despite overall predictability being better than average for the widespread cases, the loss of predictability with forecast time and spatial scale is just as rapid as for the other cases. For the diurnally forced cases, the radar data assimilation causes larger differences between the precipitation fields corresponding to the assimilating and nonassimilating members than for the widespread cases. However, the effect of radar data assimilation on QPF skill is similar for both types of cases. Also, for the diurnal cases, the models with radar data assimilation outperform very rapidly (after 2 h) the Lagrangian persistence forecasts.
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 | 0,004 | 0,001 |
| 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) | 0,000 | 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 ».