The potential for uncertainty in Numerical Weather Prediction model verification when using solid precipitation observations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Precipitation forecasts made by Numerical Weather Prediction (NWP) models are typically verified using precipitation gauge observations that are often prone to the wind‐induced undercatch of solid precipitation. Therefore, apparent model biases in solid precipitation forecasts may be due in part to the measurements and not the model. To reduce solid precipitation measurement biases, adjustments in the form of transfer functions were derived within the framework of the World Meteorological Organization Solid Precipitation Inter‐Comparison Experiment (WMO‐SPICE). These transfer functions were applied to single‐Alter shielded gauge measurements at selected SPICE sites during two winter seasons (2015–2016 and 2016–2017). Along with measurements from the WMO automated field reference configuration at each of these SPICE sites, the adjusted and unadjusted gauge observations were used to analyze the bias in a Global NWP model precipitation forecast. The verification of NWP winter precipitation using operational gauges may be subject to verification uncertainty, the magnitude and sign of which varies with the gauge‐shield configuration and the relation between model and site‐specific local climatologies. The application of a transfer function to alter‐shielded gauge measurements increases the amount of solid precipitation reported by the gauge and therefore reduces the NWP precipitation bias at sites where the model tends to overestimate precipitation, and increases the bias at sites where the model underestimates the precipitation. This complicates model verification when only operational (non‐reference) gauge observations are available. Modelers, forecasters, and climatologists must consider this when comparing modeled and observed precipitation.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle