Addressing the Effects of Station Network Geographical Inhomogeneity on Spatially Aggregated Verification Scores
Notice bibliographique
Résumé
ABSTRACT Meteorological station networks are often not homogeneously distributed across geographical verification domains, and usually unpopulated regions (such as deserts or forested regions) are less observed than densely populated regions (such as agricultural regions or cities). Therefore, spatially aggregated verification scores evaluated against station measurements are often dominated by the forecast performance in the regions with a denser observation network. In this study, we explore some solutions used in operational practices for reducing the effects of station network geographical inhomogeneity on spatially aggregated verification scores. The effects of network inhomogeneities on aggregated verification scores is first illustrated over Canada and high latitudes. Thinning the verifying observations to a less dense yet spatially homogeneous network (e.g., considering one station every 1° × 1° latitude–longitude sector) addresses the inhomogeneity issue, but not optimally, since it impoverishes the verification sample. In order to fully exploit the observation network, scores are spatially aggregated by applying a weight to each station, where the weights are inversely proportional to the network density around the station. The weights are evaluated by a Gaussian kernel: we describe a methodology and provide the optimal influence radius, evaluated for the SYNOP station network for different regions around the globe. We conclude that the Gaussian weighting provides more reliable results than thinning, and more representative results than considering the whole (inhomogeneous) station network.
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 | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».