Practical Ensemble-Based Approaches to Estimate Atmospheric Background Error Covariances for Limited-Area Deterministic Data Assimilation
Notice bibliographique
Résumé
Abstract High-resolution flow-dependent background error covariances can allow for a better usage of dense observation networks in applications of data assimilation for numerical weather prediction. The generation of high-resolution ensembles, however, can be computationally cost prohibitive. In this study, practical and low-cost ensemble generation methods are presented and compared against both global and regional ensemble Kalman filters (G-EnKF and R-EnKF, respectively). The goal is to provide limited-area deterministic assimilation schemes with higher-resolution flow-dependent background error covariances that perform at least as well as those from the G-EnKF when assimilating the same observations. The low-cost methods are based on short-range regional ensemble forecasts initialized from 1) deterministic analysis plus balanced perturbations (filter free approach) and 2) a simplified ensemble square root filter (S-EnSRF), centered on deterministic analyses. The resulting ensembles from the different approaches are used within a 4D ensemble–variational (4D-EnVar) assimilation system covering most of Canada and the northern United States. Diagnostic results show that the mean is an important component of the ensembles. Results also show that the persistence of the homogeneous characteristics of the perturbations in the filter free approach makes this method unsuited for short assimilation time windows since some error structures take longer to develop. The S-EnSRF approach overcomes this limitation by recycling part of the prior perturbations. Results from 1-month assimilation experiments show that the S-EnSRF and R-EnKF experiments provide forecasts of similar quality to those from G-EnKF. Furthermore, results from precipitation verification indicate that the R-EnKF experiment provides the best precipitation accumulation predictions over 24-h periods.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».