On the Localization in Strongly Coupled Ensemble Data Assimilation Using a Two‐Scale Lorenz Model
Notice bibliographique
Résumé
Abstract For coupled numerical models with different components (domains), there are two kinds of assimilation strategies applied for producing ocean analysis and initial condition of predictions: the strongly coupled data assimilation (SCDA) and weakly coupled data assimilation (WCDA). The former needs to accurately estimate cross‐component error covariances, which is much challenging, especially when a small ensemble size's Kalman filter‐based algorithm is used and a coupled model has the components of different spatiotemporal scales. In this study, we propose a new scheme for the ensemble adjustment Kalman filter (EAKF) to address cross‐component localization, a critical issue in estimating the cross‐component error covariance in SCDA, based on a two‐scale Lorenz ’96 coupled mode with different temporal and spatial scales. Emphasis places on designing the cross‐component localization factors in the framework of multiple spatial scales. The result shows that the SCDA can provide much more accurate estimations of the states than the WCDA when the new proposed cross‐component localization is used. A further analysis reveals that the advantage of the SCDA over the WCDA is attributed to the assimilation of observations from the small‐scale model in the coupled system, whereas the contribution of the assimilation of observations from the large‐scale model is not obvious. This study offers a useful technique to develop SCDA system in operational prediction models, which is being pursued in the prediction community.
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 | 0,001 |
| 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) | 0,000 | 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 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 ».