Interchannel Error Correlation Associated with AIRS Radiance Observations: Inference and Impact in Data Assimilation
Notice bibliographique
Résumé
Abstract The interchannel observation error correlation (IOEC) associated with radiance observations is currently assumed to be zero in meteorological data assimilation systems. This assumption may lead to suboptimal analyses. Here, the IOEC is inferred for the Atmospheric Infrared Radiance Sounder (AIRS) hyperspectral radiance observations using a subset of 123 channels covering the spectral range of 4.1–15.3 μm. Observed minus calculated radiances are computed for a 1-week period using a 6-h forecast as atmospheric background state. A well-established technique is used to separate the observation and background error components for each individual channel and each channel pair. The large number of collocations combined with the 40-km horizontal spacing between AIRS fields of view allows robust results to be obtained. The resulting background errors are in good agreement with those inferred from the background error matrix used operationally in data assimilation at the Meteorological Service of Canada. The IOEC is in general high among the water vapor–sensing channels in the 6.2–7.2-μm region and among surface-sensitive channels. In contrast, it is negligible for channels within the main carbon dioxide absorption band (13.2–15.4 μm). The impact of incorporating the IOEC is evaluated from 1D variational retrievals at 381 clear-sky oceanic locations. Temperature increments differ on average by 0.25 K, and ln(q) increments by 0.10, where q is specific humidity. Without IOEC, the weight given to the observations appears to be too high; the assimilation attempts to fit the observations nearly perfectly. The IOEC better constrains the variational assimilation process, and the rate of convergence is systematically faster by a factor of 2.
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 | 0,002 | 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 ».