Evaluating precipitation forecasts from the High Resolution Ensemble Kalman Filter (HREnKF) over the Pacific Northwest
Bibliographic record
Abstract
Le nord-ouest du Pacifique reçoit certaines des plus fortes précipitations de la planète. Par conséquent, prévoir précisément les précipitations pour cette aire géographique est essentiel pour avertir les différents secteurs de la société du moment et de l'intensité des précipitations. Cependant, la prévision des précipitations reste généralement difficile, et dans le Pacifique Nord-Ouest en particulier, en raison des conditions atmosphériques incertaines et d'un terrain complexe. En outre, l'estimation des précipitations observées dans la région est difficile en raison de la faible densité des données de pluviomètre et de la couverture radar limitée en terrain complexe. Dans le but d'améliorer la qualité des prévisions dans cette région, Evironnement et Changements Climatiques Canada a développé un système de prédictions d'ensemble utilisant un filtre régional Ensemble Kalman à haute résolution (HREnKF). Le HREnKF a une résolution et 2,5 km assimile les observations de surface et aérologiques heure par heure. Pour déterminer l'avantage de cette augmentation de résolution, les prévisions quantitatives de précipitations (QPF) du HREnKF sont comparées au système de prévisions à plus basse résolution (15km) du REnKF, qui assimile les données toutes les 6 heures. En outre, pour séparer l'impact de l'augmentation de résolution spatiale horizontale de celui de l'augmentation de l'assimilation des données, les prévisions sont également générées à partir d'un système d'ensemble à échelle réduite du REnKF (DS), utilisant la même résolution horizontale que le HREnKF mais sans assimilation de données explicite. Pour évaluer la performance du modèle, plusieurs produits d'observation, dont des pluviomètres, sont intégrés aux données radar et utilisés par la suite comme produits de vérification. Les QPFs de tous les modèles sont ensuite comparés aux produits de vérification à l'aide d'une série de méthodes d'évaluation déterministe et probabiliste. Enfin, les incertitudes d'observation sont également prises en compte dans l'exécution de la vérification. Les paramètres de vérification traditionnels et l'évaluation spatiale indiquent tous deux une performance supérieure du système à haute résolution par rapport au REnKF. Cependant, l'effet de l'assimilation des données à haute résolution temporelle et spatiale est négligeable. En effet, le système HREnKF offre des performances très similaire au DS, pour tous les cas. Par conséquent, le DS moins, coûteux en ressources informatiques, pourrait être plus approprié que le HREnKF pour prévoir les précipitations sur le nord-ouest du Pacifique .
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) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.011 | 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 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".