Use of Assimilation Analysis in 4D-Var Source Inversion: Observing System Simulation Experiments (OSSEs) with GOSAT Methane and Hemispheric CMAQ
Notice bibliographique
Résumé
We previously introduced the parametric variance Kalman filter (PvKF) assimilation as a cost-efficient system to estimate the dynamics of methane analysis concentrations. As an extension of our development, this study demonstrates the linking of PvKF to a 4D-Var inversion aiming to improve on methane emissions estimation in comparison with the traditional 4D-Var. Using the proposed assimilation–inversion framework, we revisit fundamental assumptions of the perfect and already optimal model state that is typically made in the 4D-Var inversion algorithm. In addition, the new system objectively accounts for error correlations and the evolution of analysis error variances, which are non-trivial or computationally prohibitive to maintain otherwise. We perform observing system simulation experiments (OSSEs) aiming to isolate and explore various effects of the assimilation analysis on the source inversion. The effect of the initial field of analysis, forecast of analysis error covariance, and model error is examined through modified 4D-Var cost functions, while different types of perturbations of the prior emissions are considered. Our results show that using PvKF optimal analysis instead of the model forecast to initialize the inversion improves posterior emissions estimate (~35% reduction in the normalized mean bias, NMB) across the domain. The propagation of analysis error variance using the PvKF formulation also tends to retain the effect of background correlation structures within the observation space and, thus, results in a more reliable estimate of the posterior emissions in most cases (~50% reduction in the normalized mean error, NME). Our sectoral analysis of four main emission categories indicates how the additional information of assimilation analysis enhances the constraints of each emissions sector. Lastly, we found that adding the PvKF optimal analysis field to the cost function benefits the 4D-Var inversion by reducing its computational time (~65%), while including only the error covariance in the cost function has a negligible impact on the inversion time (10–20% reduction).
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 | 0,000 | 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 ».