Impact of Assimilating Radar Solid Precipitation Data in the Canadian Precipitation Analysis System
Notice bibliographique
Résumé
Abstract The Canadian Precipitation Analysis (CaPA) system provides near-real-time precipitation analyses over Canada by combining observations with short-term numerical weather prediction forecasts. CaPA’s snowfall estimates suffer from the lack of accurate solid precipitation measurements to correct the first-guess estimate. Weather radars have the potential to add precipitation measurements to CaPA in all seasons but are not assimilated in winter due to radar snowfall estimate imprecision and lack of precipitation gauges for calibration. The main objective of this study is to assess the impact of assimilating Canadian dual-polarized radar-based snowfall data in CaPA to improve precipitation estimates. Two sets of experiments were conducted to evaluate the impact of including radar snowfall retrievals, one set using the high-resolution CaPA (HRDPA) with the currently operational quality control configuration and another increasing the number of assimilated surface observations by relaxing quality control. Experiments spanned two winter seasons (2021 and 2022) in central Canada, covering part of the entire CaPA domain. The results showed that the assimilation of radar-based snowfall data improved CaPA’s precipitation estimates 81.75% of the time for 0.5-mm precipitation thresholds. An increase in the probability of detection together with a decrease in the false alarm ratio suggested an improvement of the precipitation spatial distribution and estimation accuracy. Additionally, the results showed improvements for both precipitation mass and frequency biases for low precipitation amounts. For larger thresholds, the frequency bias was degraded. The results also indicated that the assimilation of dual-polarization radar data is beneficial for the two CaPA configurations tested in this study.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».