A geo‐statistical observation operator for the assimilation of near‐surface wind data
Notice bibliographique
Résumé
Although many near‐surface wind observations are available, very few are assimilated over land mainly due to sub‐grid scale topographic interactions with the flow. The main objectives of this study are to understand the impact of near‐surface wind observations on the analysis and to point out aspects that need to be improved to make a better use of these observations. A geo‐statistical observation operator has been developed to correct for systematic and representativeness errors. Assimilation experiments were performed in a simplified context, assimilating only near‐surface wind observations over land in the ensemble‐variational data assimilation system developed at Environment Canada. Due to the background‐error covariances, the assimilation of near‐surface wind observations impacts the lower part of the atmosphere. The resulting correction has been evaluated by verifying the analyses against non‐assimilated collocated radiosonde data. This assessment also made it possible to estimate the observation error variance to strike a balance between having an important impact at the surface and maintaining a good vertical fit to upper air observations. Results from 1 month of assimilation experiments show that the geo‐statistical operator eliminates biases and significantly reduces representativeness errors as well as observation error correlations in the analysis, mainly over complex terrain. Results also show that flow‐dependent background error covariances from ensembles provide better vertical information propagation than static error statistics. Overall, the analysis fit to non‐assimilated collocated radiosonde observations is improved when assimilating wind observations from surface stations.
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 | 0,003 | 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 | 0,001 | 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 ».