Influence of Hurricane Wind Field Variability on Real‐Time Forecast Simulations of the Coastal Environment
Notice bibliographique
Résumé
Abstract Dynamic conditions occur in the coastal ocean during severe storms. Forecasting these conditions is challenging, and large‐scale numerical models require significant computing power. In this paper, we describe a real‐time modeling system (DUNEX‐RT), developed in support of the During Nearshore Event experiment (DUNEX) off the coast of North Carolina, United States of America. The model is run with wave, current, and water level boundary conditions from larger‐scale models, and provides 36‐h forecasts of significant wave height, depth‐averaged velocity, and water levels every 6‐h using Delft3D‐SWAN. Observations and forecasts run at different times are compared and communicated via an interactive website to verify model performance in real‐time and to visualize uncertainty from changing inputs. Here, we evaluate model sensitivity to inputs from seven different atmospheric hindcasts and two atmospheric forecasts for Hurricane Dorian in September 2019. The results emphasize the importance of accurate wind forcing, with significant differences observed between the output model results for different input atmospheric forcing models and forecasts produced at different times. The best results were achieved using atmospheric forcing from the high resolution rapid refresh model, and overall, DUNEX‐RT had low errors at 33 wave, water level, and current sites across the system. The model results for water levels and significant wave heights were also accurate over a longer period of 49 days. Overall, the good forecast skill achieved for the wide range of conditions over this time results suggest that this high‐resolution regional approach could be applied to forecast conditions in other coastal areas.
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 | 0,002 |
| 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 | 0,001 | 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 ».