Model Error Representation in an Operational Ensemble Kalman Filter
Notice bibliographique
Résumé
Since 12 January 2005, an ensemble Kalman filter (EnKF) has been used operationally at the Meteorological Service of Canada to provide the initial conditions for the medium-range forecasts of the ensemble prediction system. One issue in EnKF development is how to best account for model error. It is shown that in a perfect-model environment, without any model error or model error simulation, the EnKF spread remains representative of the ensemble mean error with respect to a truth integration. Consequently, the EnKF can be used to quantify the impact of the various error sources in a data-assimilation cycle on the quality of the ensemble mean. Using real rather than simulated observations, but still not simulating model error in any manner, the rms ensemble spread is found to be too small by approximately a factor of 2. It is then attempted to account for model error by using various combinations of the following four different approaches: (i) additive isotropic model error perturbations; (ii) different versions of the model for different ensemble members; (iii) stochastic perturbations to physical tendencies; and (iv) stochastic kinetic energy backscatter. The addition of isotropic model error perturbations is found to have the biggest impact. The identification of model error sources could lead to a more realistic, likely anisotropic, parameterization. Using different versions of the model has a small but clearly positive impact and consequently both (i) and (ii) are used in the operational EnKF. The use of approaches (iii) and (iv) did not lead to further improvements.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».