Impacts on sea ice analyses from the assumption of uncorrelated ice thickness observation errors: Experiments using a 1D toy model
Notice bibliographique
Résumé
Sea ice prediction centres are moving toward the assimilation of ice thickness observations under the simplifying assumption that the observation errors are uncorrelated. The assumption of uncorrelated observation errors is attractive because the errors can be represented by a diagonal observation error covariance matrix, which is inexpensive to invert. In this paper a set of idealized experiments are carried out to investigate the impact of this assumption on sea ice analyses. A background error covariance matrix is generated using a 1D toy model for sea, i.e. forced with idealized models of the ocean and atmosphere. Analysis error covariance matrices are then calculated using this <strong>B</strong> matrix for both correlated and uncorrelated observation error covariance matrices, <strong>R</strong>. The results indicate when the true <strong>R</strong> is correlated, using a diagonal approximation results in an analysis that is overconfident at the large scales, in that the analysis error standard deviation at the large scales is underestimated. It is also shown that for the largest observation error correlation length scale tested, 150 km, the analysis error standard deviation for ice thickness is reduced by 10.8% relative to the background error standard deviation when <strong>R</strong> has the correct correlation length scale of 150 km, whereas when a diagonal approximation to <strong>R</strong> is used in combination with an inflation factor, the reduction is to 6.3%.
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 | 0,000 | 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 | 0,001 |
| 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 ».