Using the hybrid gain algorithm to sample data assimilation uncertainty
Notice bibliographique
Résumé
At the Canadian Meteorological Centre (CMC), an ensemble variational (EnVar) data assimilation system is used for the global deterministic prediction system and an ensemble Kalman filter (EnKF) is used for the global ensemble prediction system. These two systems are co‐developed and co‐evolving at the CMC and in this study we explore how to maximize the impact of having two algorithms. Following earlier work at the European Centre for Medium‐Range Weather Forecasts (ECMWF), we perform experiments with a pure EnKF and an EnKF system that is recentered on the EnVar solution, as well as with a hybrid gain configuration, in which the EnKF system is recentered on the mean of the EnKF and EnVar analyses. Encouraged by the results of the hybrid gain algorithm, we modify it to leave half of the members unchanged and to recenter the other half on the EnVar analysis. With this multi‐analysis approach, we sample the different design decisions made for the EnKF and EnVar and see corresponding improvements, notably for the stratospheric analysis. An evaluation using humidity‐sensitive radiance channels shows more mixed results of the hybrid gain and multi‐analysis approaches. An investigation of the spread–skill relation showed that the background ensembles were overdispersive for humidity and this issue was resolved by a reduction of the additive error for humidity. This highlights the fact that diagnostic information from two analysis systems can be used to identify where those systems have room for improvement. Finally, for various aspects of data assimilation systems, we weigh the benefits of algorithmic diversity against the corresponding additional development cost.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».