Validation of a weather forecast model at radiance level against satellite observations allowing quantification of temperature, humidity, and cloud‐related biases
Notice bibliographique
Résumé
Abstract An established radiative transfer model (RTM) is adapted for simulating all‐sky infrared radiance spectra from the Canadian Global Environmental Multiscale (GEM) model in order to validate its forecasts at the radiance level against Atmospheric InfraRed Sounder (AIRS) observations. Synthetic spectra are generated for 2 months from short‐term (3–9 h) GEM forecasts. The RTM uses a monthly climatological land surface emissivity/reflectivity atlas. An updated ice particle optical property library was introduced for cloudy radiance calculations. Forward model brightness temperature (BT) biases are assessed to be of the order of ∼1 K for both clear‐sky and overcast conditions. To quantify GEM forecast meteorological variables biases, spectral sensitivity kernels are generated and used to attribute radiance biases to surface and atmospheric temperatures, atmospheric humidity, and clouds biases. The kernel method, supplemented with retrieved profiles based on AIRS observations in collocation with a microwave sounder, achieves good closure in explaining clear‐sky radiance biases, which are attributed mostly to surface temperature and upper tropospheric water vapor biases. Cloudy‐sky radiance biases are dominated by cloud‐induced radiance biases. Prominent GEM biases are identified as: (1) too low surface temperature over land, causing about −5 K bias in the atmospheric window region; (2) too high upper tropospheric water vapor, inducing about −3 K bias in the water vapor absorption band; (3) too few high clouds in the convective regions, generating about +10 K bias in window band and about +6 K bias in the water vapor band.
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 | 0,001 |
| 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 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 ».