On the localization in strongly coupled ensemble data assimilation using a two-scale Lorenz model
Notice bibliographique
Résumé
Abstract. In the data assimilation of coupled models, the stongly coupled data assimilation (SCDA) is much more complicated than the weakly coupled data assimilation (WCDA), since it involves the cross-domain error covariances which could be very inaccurate when the ensemble size is small. In this study, the SCDA experiments are conducted using a two-scale Lorenz '96 model, which is a coupled system composed by two Lorenz '96 models in two domains have different temporal and spatial scales. A localization strategy is specially designed for the cross-domain error covariances when the ensemble adjustment Kalman filter (EAKF) is used for the coupled data assimilation (CDA) experiments. The formulas for computing the localization factors that can deal with multiple spatial scales and provide essential information are developed to imporve the quality of analyses. The result shows that the SCDA can provides much more accurate estimation of the states than the WCDA when the localization for the cross-domain error covariances is used. Moreover, it is found that the advantage of the SCDA over the WCDA for this model is attributed to the assimilation of small scale observations into the coupled system, whereas the contribution of the assimilation of the large-scale observations to the coupled system is not obvious. This current study provides a possible strategy or idea for developing operational CDA using realistic coupled models.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».