Impact des données d'avions AMDAR dans le Nord canadien sur la qualité de l'analyse et des prévisions
Bibliographic record
Abstract
Le Nord canadien est peu couvert en données d’observations in situ permettant de produire des profils atmosphériques. Les stations météorologiques qui récoltent les données de radiosondages se trouvent en grande partie plus au sud du Canada. Une alternative est d’assimiler des données AMDAR prises par des avions de onze vols commerciaux (FLYHT) dans cette région. Comme les radiosondages, les avions enregistrent des données couvrant un profil atmosphérique au décollage et à l’atterrissage. Durant le vol, les données sont récoltées à l’altitude du vol. Le but de cette étude était d’évaluer l’impact de l’ajout de données d’avions AMDAR dans le Nord canadien sur la qualité de l’analyse et sur les prévisions qui en résultent. En examinant la position des données d’avions, trois situations ont été choisies durant la période février-mars 2020. Celles-ci montrent une circulation atmosphérique propice à propager l’information des observations dans les régions avoisinantes. En utilisant les résultats du cycle d’assimilation de référence, le contrôle, et ceux du cycle FLYHT dans lequel on a ajouté les données d’avion à celles utilisées dans le contrôle, plusieurs expériences ont été produites. Pour chaque cas, l’incrément d’analyse obtenu en n’assimilant que ces données est d’amplitude nettement plus grande que l’incrément obtenu en les assimilant avec toutes les données assimilées opérationnellement. La valeur ajoutée des données d’avion est donc nettement moindre à cause de la redondance avec les données déjà assimilées. En considérant des conditions initiales définies par le cycle FLYHT d’une part, et d’autre part en utilisant ce même cycle en retirant les données d’avions, on soustrait les deux prévisions résultantes pour observer l’évolution de l’incrément d’analyse. On constate alors que les observations exercent une influence qui se propage selon la dynamique particulière au cas considéré. Au-delà d’une réduction de l’erreur de prévision moyennée sur cette période, cette approche permet de montrer comment l’ajout de nouvelles observations influence un cas météorologique particulier.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".