Convective-scale radar data assimilation and adaptive radar observation with the Ensemble Kalman Filter
Bibliographic record
Abstract
Les statistiques d’erreur de prévisions dépendent de l’écoulement atmosphérique ainsi que d'autres incertitudes associées au Filtre de Kalman d'Ensemble (EnKF), tels que l'erreur de modèle, les perturbations initiales, etc. Ces erreurs sont étudiées à l'aide d'expériences idéalisées ainsi que d'un modèle numérique de prévisions météorologiques. À cet effet, un système d’EnKF à l'échelle convective a été développé pour assimiler les données radar de vitesse radiale fournies par l'observatoire radar JS Marshall à l'université McGill. La performance de ce système et son impact sur les prévisions d'ensembles sont examinés à partir d'un échantillon de trois situations atmosphériques présentant des structures de précipitations différentes. Afin d'améliorer et de prolonger l'effet bénéfique apporté par l'assimilation de données, nous proposons une méthode adaptative d'observations radar basée sur les statistiques d'erreurs de prévision du système EnKF. Cette méthode vise à tirer parti de la rapidité associée au balayage électronique (phased array) afin de choisir de manière adaptative les endroits ou de futures observations ont le plus de chance d'améliorer l'analyse de variables non observées.Les expériences idéalisées à partir de systèmes EnKF suggèrent que des analyses de qualité nécessitent des perturbations initiales de magnitude adéquates, des estimations précises des erreurs de modèle et d'observations ainsi que l'utilisation d'observations aux erreurs non corrélées. L'étude sur les statistiques d'erreur de background a montré que les perturbations isotropes et homogènes peuvent se développer suffisamment pour présenter des erreurs dont la structure diffère entre les régions avec et sans précipitation. Les résultats provenant du système d’EnKF à haute résolution indiquent que l'incertitude de l'analyse peut être réduite après un processus de cyclage pendant une heure. Aussi, il est démontré l'assimilation de la vitesse radiale a un impact sur le champ de précipitations. L'amélioration par rapport aux observations est mesurable pour une période de deux heures. Lorsque la méthode d'observation adaptative est appliquée, l'estimation de la vitesse verticale peut être améliorée dans les zones où les covariances d’erreurs sont importantes. Toutefois, l'amélioration est faible par rapport aux variables observées.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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 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".