Impacts de l'utilisation de quantités ajustées de précipitations solides dans le système canadien d'analyse des précipitations
Bibliographic record
Abstract
Connaître la distribution spatio-temporelle des précipitations en temps quasi réel est essentiel pour diverses raisons, notamment les prévisions météorologiques et d'inondation, la surveillance de la sécheresse, la gestion de l'irrigation, la prévention des incendies de forêt et la production d'hydroélectricité. La gestion de ces activités peut être optimale lorsque les estimations de précipitations disponibles sont fiables. Le système Canadien d’Analyse de Précipitations (CaPA) est un projet développé et coordonné par Environnement et Changement Climatique Canada (ECCC). Ce système d'analyse vise à fournir une estimation des précipitations en temps quasi réel à l'échelle de l'Amérique du Nord. En hiver, la qualité des analyses de CaPA est limitée parce que de nombreuses observations automatiques de surface des précipitations solides ne sont pas assimilées en raison de la sous-captation de la jauge causée par le vent près de la surface. L’efficacité de collecte varie considérablement pour différentes vitesses de vents, pouvant par exemple diminuer son efficacité de collecte de près de 75 % à des vitesses de vents de plus de 7 m s-1. L'objectif de cette étude est d'évaluer la valeur ajoutée de l'ajustement des quantités de précipitations en fonction de la vitesse du vent dans CaPA. Pour ce faire, une nouvelle base de données horaires de précipitations provenant de stations automatiques à travers le Canada est d'abord incluse dans CaPA avec des quantités de précipitations ajustées sur la base de plusieurs types de fonctions de transfert. Dans l'ensemble, les résultats de cette étude suggèrent que l'ajustement des précipitations solides à l'aide d’une fonction de transfert qui dépend de l'intensité des précipitations solides plutôt que de la température de l'air près de la surface est plus susceptible d'améliorer les estimations de précipitations de CaPA pendant la saison hivernale.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 teacher head, 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".