Simulation of W‐band radar reflectivity for model validation and data assimilation
Notice bibliographique
Résumé
This article describes a reflectivity forward operator developed for the validation and assimilation of W‐band radar data into the regional AROME class of numerical weather prediction models. The forward operator is consistent with the AROME ICE3 one‐moment microphysical scheme and is devised for vertically pointing radars. A new neighbourhood validation method, the Most Resembling Column (MRC) method, is designed to disentangle spatial location model errors from errors in the forward operator. This novel method is used to validate the forward operator using data collected in diverse conditions by the airborne cloud radar RASTA (Radar Airborne System Tool for Atmosphere) during a 2 month period over a region of the Mediterranean. The MRC method is then applied to retrieve the optimal effective shapes (i.e. the mean axis ratios) of the predicted graupel, snow and pristine ice, by minimizing the standard deviation between observations and simulations. The optimal mean axis ratio is approximately 0.7 for snow and 0.8 for graupel. It is shown that treating snow and graupel particles as oblate spheroids with axis ratios close to their optimal values leads to good agreement between the observations and simulations of the ice levels. Conversely, there is a large bias if snow and graupel particles are considered to be either spherical or overly flattened. The results also indicate that pristine ice can be approximated by a sphere, but this conclusion should be taken cautiously since the amount of pristine ice particles is probably overestimated in the ICE3 microphysical scheme.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».