Exploring Atmosphere–Ocean Coupling Using Principal Component and Redundancy Analysis
Notice bibliographique
Résumé
Abstract Principal component analysis (PCA), which is designed to look at internal modes of variability, has often been applied beyond its intended design to study coupled modes of variability in combined datasets, also referred to as combined PCA. There are statistical techniques better suited for this purpose such as singular value decomposition (SVD) and canonical correlation analysis (CCA). In this paper, a different technique is examined that has not often been applied in climate science, that is, redundancy analysis (RA). Similar to multivariate regression, RA seeks to maximize the variance accounted for in one random vector that is linearly regressed against another random vector. RA can be used for forecasting and prediction studies of the climate system. This technique has the added advantage that the time-lagged redundancy index offers a robust method of identifying lead–lag relations among climate variables. In this study, combined PCA and RA of global sea surface temperatures (SSTs) and sea level pressures (SLPs) are carried out for the National Centers for Environmental Prediction (NCEP) reanalysis data and a simulation of the Canadian Centre for Climate Modeling and Analysis (CCCma) climate model. A simplified state-space model is also constructed to aid in the diagnosis and interpretation of the results. The relative advantages and disadvantages of combined PCA and RA are discussed. Overall, RA tends to provide a clearer and more consistent picture of the underlying physical processes than combined PCA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».