A practical assimilation approach to extract smaller‐scale information from observations with spatially correlated errors: An idealized study
Notice bibliographique
Résumé
Abstract It is still common to neglect the spatial error correlations of assimilated observations in numerical weather prediction systems because no practical approach is available to account for them when the number of observations with correlated error is large or when these observations are non‐uniformly distributed. Instead, it is common practice to inflate observation error variances to avoid overfitting large scales and spatially thin observations to reduce error correlations between remaining observations, although both methods generally sacrifice small‐scale information. Inspired by previous work on assimilating the difference between adjacent observations (so‐called spatial difference observations), this study aims at combining direct observations with spatial difference observations in the assimilation to extract both large‐ and smaller‐scale information from observations with spatially correlated errors, while still neglecting these error correlations. Experiments performed in a simplified 1D context over a periodic domain show that the combined approach is numerically equivalent to directly assimilating observations available at every grid point using non‐diagonal observation error covariances based on a first‐order autoregressive correlation function. In a case where observation error correlations have a different structure (e.g. Gaussian), the true observation error correlations are not perfectly taken into account by the combined approach, but it still efficiently extracts information to correct the scales that have the most errors. Combining direct observations with spatial difference observations proves complementary and experimental results show lower analysis errors for both large and intermediate scales. More specifically, while neglecting spatial observation error correlations, the combined approach provides results with lower analysis error than the direct approach, especially when spatial error correlations are large and when direct observations are spatially thinned.
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 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».