A Sequential Non-Gaussian Approach for Precipitation Data Assimilation
Notice bibliographique
Résumé
Abstract In two recent studies, the authors presented a new data assimilation (DA) method for precipitation observations that does not require Gaussianity or linearity assumptions. The method, called localized ensemble mosaic assimilation (LEMA), initializes the new ensemble forecast by relaxing the background ensemble (prior) toward a single analysis composed of different column states taken from the ensemble members with the lowest error in the precipitation forecast. However, a limitation of the LEMA method is that relaxing the background ensemble toward that analysis severely reduces the spread of the ensemble, thus, limiting its usefulness for cycled DA applications. This study presents a new version of LEMA, called localized ensemble mosaic assimilation sequence (LEMAS), suitable for cycled DA operations. LEMAS constructs an ensemble of analysis mosaics using a small group of members closer to the observations instead of only the closest one. The new ensemble forecast is then initialized by recentering the prior ensemble around the mean of the analysis ensemble while scaling the original background perturbations to match the spread of the analysis mosaics. A series of ideal and real DA experiments are used to evaluate the potential of LEMAS for the assimilation of hourly accumulation observations. A comparison of LEMAS with the local ensemble transform Kalman filter (LETKF) using idealized experiments shows that LEMAS produces similar or slightly better forecast quality than the LETKF in temperature, water vapor, winds, and precipitation. Extending this comparison to real DA experiments assimilating Stage-IV precipitation observations shows that both methods produce precipitation forecasts of comparable quality.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».