Quality Assessment of Meteorological Data for the Beaufort and Chukchi Sea Coastal Region using Automated Routines
Notice bibliographique
Résumé
Meteorological observations from more than 250 stations in the Beaufort and Chukchi Sea coastal, interior, and offshore regions were gathered and quality-controlled for the period 1979 through 2009. These stations represent many different observing networks that operate in the region for the purposes of aviation, fire weather, coastal weather, climate, surface radiation, and hydrology and report data hourly or sub-hourly. A unified data quality control (QC) has been applied to these multi-resource data, incorporating three main QC procedures: the threshold test (identifying instances of an observation falling outside of a normal range); the step change test (identifying consecutive values that are excessively different); and the persistence test (flagging instances of excessively high or low variability in the observations). Methods previously developed for daily data QC do not work well for hourly data because they flag too many data entries. Improvements were developed to obtain the proper limits for hourly data QC. These QC procedures are able to identify the suspect data while producing far fewer Type I errors (the erroneous flagging of valid data). The fraction of flagged data for the entire database illustrates that the persistence test was failed the most often (1.34%), followed by the threshold (0.99%) and step change tests (0.02%). Comparisons based on neighboring stations were not performed for the database; however, correlations between nearby stations show promise, indicating that this type of check may be a viable option in such cases. This integrated high temporal resolution dataset will be invaluable for weather and climate analysis, as well as regional modeling applications, in an area that is undergoing significant climatic change.
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) | 0,000 | 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 ».