A Study of Rain Forecast Error Structure Based on Radar Observations over a Continental-Scale Spatial Domain
Notice bibliographique
Résumé
Abstract This study examines the univariate error covariances of hourly rainfall accumulations using two different NWP models and a mosaic of radar reflectivity over a continental-scale domain. The study focuses on two main areas. The focus of the first part of the paper is on the ensemble-based and the innovation-based error variance and correlation estimations. An ensemble of forecasts and a set of observations provide the basis for estimating the errors in two different ways. The results indicate that both ensemble- and innovation-based methods lead to comparable variance estimations, while the local error correlation estimates have larger differences due to the sensitivity of calculations to the gradient of the variance field. The second part of the paper uses innovations for identifying the errors. The focus of this part is on a prognostic method for estimating the error statistics from the background based on the Bayesian inference technique. The case study shows that the predictive model produces a similar result regarding the magnitude and the dispersion of variance in comparison with the innovation and ensemble-based variances. This study represents a step toward estimating local error variances and local error correlations to construct a nonhomogeneous and precipitation-dependent error covariance matrix of rainfall. These results will be used in a future paper in the design of a 2D-VAR Assimilation Method for Blending Extrapolated Radars (AMBER) with NWP precipitation forecast to form a precipitation nowcasting model.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».