Assimilation of Passive L-band Microwave Brightness Temperatures in the Canadian Land Data Assimilation System: Impacts on Short-Range Warm Season Numerical Weather Prediction
Notice bibliographique
Résumé
Abstract This study examines the impacts of assimilating Soil Moisture Active Passive (SMAP) L-band brightness temperatures (TBs) on warm season short-range numerical weather prediction (NWP) forecasts. Focusing upon the summer 2015 period over North America, offline assimilation cycles are run with the Canadian Land Data Assimilation System (CaLDAS) to compare the impacts of assimilating SMAP TB versus screen-level observations to analyze soil moisture. The analyzed soil moistures are quantitatively compared against a set of in situ sparse soil moisture networks and a set of SMAP core validation sites. These surface analyses are used to initialize a series of 48-h forecasts where near-surface temperature and precipitation are evaluated against in situ observations. Assimilation of SMAP TBs leads to soil moisture that is markedly improved in terms of correlation and standard deviation of the errors (STDE) compared to the use of screen-level observations. NWP forecasts initialized with SMAP-derived soil moistures exhibit a general dry bias in 2-m dewpoint temperatures (TD2m), while displaying a relative warm bias in 2-m temperatures (TT2m), when compared to those forecasts initialized with soil moistures analyzed with screen-level temperature errors. Largest impacts with SMAP are seen for TD2m, where the use of screen-level observations leads to a daytime wet bias that is reduced with SMAP. The overall drier soil moisture leads to improved precipitation bias scores with SMAP. A notable deterioration in TD2m STDE scores was found in the SMAP experiments during the daytime over the Northern Great Plains. A reduction in the daytime TD2m wet bias was found when the observation errors for the screen-level observations were increased.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».