A comparison of statistical and dynamical downscaling methods for short‐term weather forecasts in the <scp>US N</scp>ortheast
Notice bibliographique
Résumé
Abstract The Weather Research and Forecasting model (WRF) was used to produce both 9 and 3 km resolution ensemble forecasts from the deterministic Global Forecast System (GFS) model for microclimatic, agricultural regions in New York State. The forecasts were then statistically post‐processed to generate probabilistic forecasts for surface temperature (T), specific humidity (q), incoming solar radiation (SR) and precipitation (P). T was post‐processed with non‐homogeneous Gaussian regression (NGR), q and SR with truncated NGR, and P with extended logistic regression. A comparison of forecast skill was conducted between these post‐processed forecasts, the raw WRF output, the GFS forecasts and forecasts from the National Weather Service's deterministic National Digital Forecast Database (NDFD). Overall, significant improvement was observed in post‐processed WRF forecasts over all other methods for all locations and variables. Furthermore, raw WRF ensembles were found to outperform deterministic NDFD, so that if observational data are unavailable for post‐processing, dynamically downscaled WRF should be selected over deterministic, human‐altered NDFD forecasts. Finally, the 9 km post‐processed WRF had the same forecast skill as the 3 km post‐processed WRF, except for precipitation, rendering the 3 km WRF unnecessary if observational data are available, saving computational cost.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».