Numerical discretization causing error variance loss and the need for inflation
Notice bibliographique
Résumé
Abstract The effects of model discretization errors on the propagation of error covariance have a more complex nature than the effect on the state variable. The analysis is carried out for the advection transport equation, where the continuous (in space and time) propagation of the related error covariance function can be written, solved and compared with the discrete model applied to the covariance matrix. The numerical analysis of the problem is carried out with a 1D‐problem, but is also illustrated with a 3D chemical transport model (CTM) used for chemical data assimilation. It is shown that variance loss (compared to the continuous propagation solution) depends on the covariance function itself as well as the numerical discretization scheme. The variance loss is particularly sensitive to the correlation length. In a simple first‐order discretization, an analytical expression is obtained and is used to derive an analytical expression for inflation. Experiments show, for example, that following an analysis over a dense network of observations (with spatially uncorrelated errors) a significant variance loss occurs in the propagation step. With the (variance) inflation scheme, we are able to restore the variance lost at each grid point, and at each timestep, during the entire integration. The variance inflation scheme applied to an EnKF can be formulated to change the variance spread of the ensemble or to act directly on the state.
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) | 0,000 | 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 ».