Potential of error-evolving tracer forecasts for operational assimilation of PM2.5 during wildfire smoke episodes
Notice bibliographique
Résumé
2023 was record-breaking for wildfires in Canada with unprecedented impacts on local ecosystems as well as large scale smoke hazards. These exceptional fire impacts rose the public demand for accurate forecasts of smoke plumes as well as analysis of air quality impacts. However, fire smoke plumes are extreme air quality events with exceptionally high concentrations and related uncertainties fall outside statistical ranges. These particular conditions induce specific challenges for data assimilation algorithms, because error estimates need to capture the high uncertainties and spatial gradients. At the same time, operational forecast systems require high computational efficiency to deliver fast, yet accurate forecasts to the public.This study explores the potential of a novel assimilation approach, called parametric Kalman filter (PKF), for operational air quality forecasting during extreme air quality events. By explicitly evolving the main error parameters, the PKF has been proven to provide accurate uncertainty estimates at very low computational costs. In this work, a dynamical propagation of error standard deviations is implemented in the Canadian atmospheric-chemical forecast model GEM-MACH. This extended forecast model is applied to a case study of Quebec wildfires in early July 2023. First results indicate that the forecast error distributions during this events can be sufficiently approximated by a passive error-tracer. It is demonstrated that vertical diffusion is a critical component for dynamical error forecasting of extreme air quality events. The error standard-deviation forecasts are used in the current objective analysis (OA) for surface air quality at ECCC (Environment and Climate Change Canada) and compared to operational OA results.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».