Towards improved objective analysis of lake surface water temperature in a NWP model: preliminary assessment of statistical properties
Notice bibliographique
Résumé
Information about the statistical structure of the lake surface water temperature (LSWT) field is needed for assimilation of lake observations into Numerical Weather Prediction (NWP) models, to describe the lake surface state at each grid-point containing lakes. In this study, we obtain the autocorrelation function for LSWT from two types of observations, in situ and satellite-based. We use summer time measurements during 2010–2014 over selected Fennoscandian lakes and Northern European domain. The estimated autocorrelations decrease exponentially (from 0.99 to 0.73 for in situ and from 0.97 to 0.61 for satellite observations), when the distance between observations increases from zero to one thousand kilometres .A large difference in lake depth leads to a decrease of the correlation. Typical error standard deviation of LSWT observations was found to be 0.9 $ ^{\,\circ } $C for in situ observations and 1.2$ ^{\,\circ } $C for satellite observations. The exponential approximation for the LSWT autocorrelation functions is proposed, which depends on both the distance and the difference in lake depth. These results are directly applicable for the LSWT objective analysis in NWP. New autocorrelation functions, which allow interpolation of observations within and between lakes, were used in numerical experiments with the High-Resolution Limited Area Model (HIRLAM). In this preliminary assessment, we suggest adaptation of the presently used functions by increasing the influence radius and taking into account the lake depth difference. Generalization of the results to cover the melting and freezing seasons, their assessment for different geographical areas as well as their application to other prognostic lake variables within NWP are foreseen.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».