Non-Gaussian Deterministic Assimilation of Radar-Derived Precipitation Accumulations
Notice bibliographique
Résumé
Abstract Data assimilation (DA) approaches currently used for operational numerical weather prediction (NWP) generally assume that errors in the background state are Gaussian. At the same time, approaches that make no assumptions regarding the background state probability distribution are gaining attention in research. Most such approaches, including the particle filter, are ensemble DA methods that produce an ensemble of analysis states consistent with the background and observation distributions. The present study instead proposes a non-Gaussian deterministic (NGD) DA method for producing a single deterministic analysis state. Consequently, the usual challenge of maintaining an ensemble with sufficient spread and diversity is avoided. The NGD approach uses background ensembles generated by a standard ensemble Kalman filter. A series of noncycled DA experiments is conducted to evaluate the NGD approach for assimilating precipitation derived from North American weather radars to initialize limited-area deterministic forecasts. The resulting forecasts are compared with those produced using either a local ensemble transform Kalman filter (LETKF) deterministic analysis or latent heat nudging (LHN). The experimental results indicate that, for forecast lead times beyond 1.5 h, the NGD approach improves precipitation forecasts relative to LHN. The NGD approach also leads to better temperature and zonal wind forecasts at lead times up to 12 h when compared to those obtained with either LHN or the LETKF. For precipitation, the NGD and LETKF approaches produce forecasts that are of comparable quality. Finally, simple strategies are demonstrated that combine the NGD approach for assimilating radar-derived precipitation accumulations with the ensemble–variational approach for assimilating all other observations.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».