Støyfiltrering av sanntidsmålinger fra norske automatiske nedbørstasjoner : en beskrivelse og vurdering av Meteorologisk Institutt sin nye korrigeringsalgoritme
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".