MétaCan
Menu
Retour à la cohorte
Enregistrement W4387975724 · doi:10.1175/jhm-d-23-0070.1

Impact of Adjusted and Nonadjusted Surface Observations on the Cold Season Performance of the Canadian Precipitation Analysis (CaPA) System

2023· article· en· W4387975724 sur OpenAlexafffundabout
Pei‐Ning Feng, Stéphane Bélair, Dikraa Khedhaouiria, Franck Lespinas, Éva Mekis, Julie M. Thériault

Notice bibliographique

RevueJournal of Hydrometeorology · 2023
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiquePrecipitation Measurement and Analysis
Établissements canadiensEnvironment and Climate Change CanadaUniversité du Québec à Montréal
Organismes subventionnairesAlliance de recherche numérique du CanadaEnvironment and Climate Change CanadaMitacsCanada Research ChairsManitoba HydroCompute CanadaNatural Sciences and Engineering Research Council of CanadaUniversité du Québec à Montréal
Mots-clésPrecipitationEnvironmental scienceQuantitative precipitation forecastWind speedMeteorologyQuantitative precipitation estimationClimatologyFalse alarmAtmospheric sciencesStatisticsMathematicsGeography

Résumé

récupéré en direct d'OpenAlex

Abstract The Canadian Precipitation Analysis System (CaPA) is an operational system that uses a combination of weather gauge and ground-based radar measurements together with short-term forecasts from a numerical weather model to provide near-real-time estimates of 6- and 24-h precipitation amounts. During the winter season, many gauge measurements are rejected by the CaPA quality control process because of the wind-induced undercatch for solid precipitation. The goal of this study is to improve the precipitation estimates over central Canada during the winter seasons from 2019 to 2022. Two approaches were tested. First, the quality control procedure in CaPA has been relaxed to increase the number of surface observations assimilated. Second, the automatic solid precipitation measurements were adjusted using a universal transfer function to compensate for the undercatch problem. Although increasing the wind speed threshold resulted in lower amounts and worse biases in frequency, the overall precipitation estimates are improved as the equitable threat score is improved because of a substantial decrease in the false alarm ratio, which compensates the degradation of the probability of detection. The increase of solid precipitation amounts using a transfer function improves the biases in both frequency and amounts and the probability of detection for all precipitation thresholds. However, the false alarm ratio deteriorates for large thresholds. The statistics vary from year to year, but an overall improvement is demonstrated by increasing the number of stations and adjusting the solid precipitation amounts for wind speed undercatch.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,120
Score d'incertitude au seuil0,242

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,018
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,236
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of HydrometeorologyMême sujetPrecipitation Measurement and AnalysisTravaux en français237 207