Ensemble Dressing of Meteorological Fields: Using Spatial Regression to Estimate Uncertainty in Deterministic Gridded Meteorological Datasets
Notice bibliographique
Résumé
Abstract Most datasets of surface meteorology are deterministic, yet many applications using these datasets require or can benefit from uncertainty estimates in meteorological fields. Motivated by this gap, we evaluated the use of a spatial regression method to estimate the uncertainty in precipitation and temperature fields of existing deterministic gridded meteorological datasets. Taking the widely used North American Land Data Assimilation System 2 (NLDAS-2) precipitation and temperature dataset as an example, we used the deterministic NLDAS-2 values to generate ensemble estimates for daily precipitation, mean temperature, and the diurnal temperature range. Our method is a form of ensemble dressing. Nine variations were tested to assess the impacts of sampling density on the estimates of the mean and uncertainty, and one strategy was selected to generate 100 ensemble members at 1/8° and daily resolution for the period 1979–2019, termed as the Ensemble Dressing of NLDAS-2 (EDN2). Compared with an independent station-based ensemble dataset, the ensemble dressing method produces reasonable uncertainty patterns for precipitation and underestimates uncertainty for temperature. For precipitation, the uncertainty increases with the increase in daily accumulation. For temperature, the uncertainty is relatively small in the warm season and large in the cold season. This ensemble dressing method is applicable to other deterministic gridded meteorological datasets. The generated spatiotemporally varying uncertainty information could support applications such as land surface and hydrologic modeling, data assimilation, and forecasting, especially where application models are tied to a specific meteorological dataset.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,003 | 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 ».