Notice bibliographique
Résumé
Abstract Many ensemble data assimilation (DA) approaches suffer from the so-called inbreeding problem. As a consequence, there is an excessive reduction in ensemble spread by the DA procedure, causing the analysis ensemble spread to systematically underestimate the uncertainty of the ensemble mean analysis. The stochastic EnKF used for operational NWP in Canada largely avoids this problem by applying cross validation, that is, using an independent subset of ensemble members for updating each member. The goal of the present study is to evaluate two new variations of the local ensemble transform Kalman filter (LETKF) that also incorporate cross validation. In idealized numerical experiments with Gaussian-distributed background ensembles, the two new LETKF approaches are shown to produce reliable analysis ensembles such that the ensemble spread closely matches the uncertainty of the ensemble mean, without any ensemble inflation. In ensemble DA experiments with highly nonlinear idealized forecast models, the deterministic version of the LETKF with cross validation quickly diverges, but the stochastic version produces better results, nearly identical to the stochastic EnKF with cross validation. In the context of a regional NWP system, ensemble DA experiments are performed with the two new LETKF-based approaches with cross validation, the standard LETKF, and the stochastic EnKF. All approaches with cross validation produce similar ensemble spread at the first analysis time, though the amplitude of the changes to the individual members is larger with the stochastic approaches. Over the 10-day period of the experiments, the fit of the ensemble mean background state to radiosonde observations is statistically indistinguishable for all approaches evaluated.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».