Importance of Bias Correction in Data Assimilation of Multiple Observations Over Eastern China Using WRF‐Chem/DART
Notice bibliographique
Résumé
Abstract Three types of observations, aerosol optical depth from the Moderate Resolution Imaging Spectroradiometer, surface particulate matter with diameters less than 2.5 (PM 2.5 ) and 10 μm (PM 10 ), and aerosol extinction coefficient (AEXT) profiles from ground‐based lidars, were separately and simultaneously assimilated using the Weather Research and Forecasting Model with the Chemistry/Data Assimilation Research Testbed (WRF‐Chem/DART). Two cases in June and November 2018 were selected over middle and eastern China. Experiments assimilating single‐type and multiple observations were evaluated by cross validating their analysis and forecast against the three observation types. Compared to the experiment without data assimilation (DA), DA of single‐type observations is always closer to the type of observations assimilated. However, DA of aerosol optical depth or AEXT sometimes significantly degraded the error performance for PM 2.5 . This problem is caused by the inconsistency of bias tendencies when modeling aerosol optical properties and surface aerosol mass. It is found that WRF‐Chem tends to predict dryer air within the boundary layer over eastern China, which may have played a role in the underestimation of AEXT even when PM 2.5 was overestimated. After applying a simple bias correction (BC), the problem was alleviated. DA of multiple observations with BC gives the best overall error performance when validated against all types of observations and even performs better than any DA of single‐type observations experiments in reproducing AEXT profiles. The results illustrate that BC is important in DA of multiple observations and that the simultaneous DA of aerosol observations with different vertical information can work synergistically to improve aerosol forecasts.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».