Støyfiltrering av sanntidsmålinger fra norske automatiske nedbørstasjoner : en beskrivelse og vurdering av Meteorologisk Institutt sin nye korrigeringsalgoritme
Notice bibliographique
Résumé
Det er flere ulike måter å måle nedbør på, både manuelle og automatiske metoder, og de ulike metodene benyttes på ulike målestasjoner. I Norge benyttes norske- og svenske målere på manuelle målestasjoner, mens Geonor T-200B er den mest brukte måleren på automatiske målestasjoner. Ulike målemetoder påvirkes av ulike former for målefeil. Sensorene som benyttes på automatiske målestasjoner kan i tillegg være utsatt for både lavfrekvent og høyfrekvent støy. Dette kan resultere i unøyaktige målinger og kan gjøre sammenligningen av målinger utført med forskjellige metoder vanskelig. Det finnes mange studier som ser på effekten av støy og støyreduserende tiltak, men for automatiske målestasjoner er det fortsatt behov for en algoritme som filtrerer vekk støy fra målingene i etterkant og dermed gir mer nøyaktige resultater. \n\nMeteorologisk Institutt har utviklet en ny støyfiltrerende algoritme med mål om å ha pålitelige målinger med en tidsoppløsning helt ned til ti minutter. Ved årsskiftet 2019/2020 ble denne tatt i bruk på et par utvalgte automatiske værstasjoner og planen er at den etter hvert skal erstatte den gamle filtreringsalgoritmen (AlgGML). For å evaluere den nye algoritmen er den blitt testet for avvik mellom implementering i ulike programmeringsspråk, i tillegg til at de to algoritmene (ny og gammel) ble sammenlignet med hverandre. Filtreringsevnen til den nye algoritmen ble testet på et syntetisk datasett tilsatt ti ulike støykarakteristikker. Det syntetiske datasettet er basert på målinger gjort av en Geonor T-200B værstasjon på Haukeliseter i 2019. Støyen som ble lagt til hadde ulikt standardavvik på mellom 0,001 mm og 1,00 mm. Algoritmen ble testet i tre ulike forsøkskonfigurasjoner. \n\nResultatene fra sammenligningen mellom AlgPYTN og AlgGML viser ingen tydelig forbedring ved bruk av den nye algoritmen, men det anbefales å sammenligne ny og gammel algoritme på et lengre datasett med mer støy. I denne studien ble det ikke observert en signifikant forskjell mellom implementering av den nye algoritmen i ulike programmeringsspråk. Støyanalysen indikerer at det ikke er en forskjell mellom de testede konfigurasjonene av algoritmen. Ikke uventet ble det høyest avvik og RMSE-verdier for støytypen med størst standardavvik. Sammenlignet med analysen av de fire ulike algoritmene som ble testet av Environment Canada, er den nye algoritmen fra Meteorologisk Institutt bedre på støyfiltrering av datasett med tilsatt ikke-normalisert støy.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,008 |
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 ».