MétaCan
Menu
Retour à la cohorte
Enregistrement W1973450496 · doi:10.1175/jamc-d-12-059.1

Seasonal Prediction of Killing-Frost Frequency in South-Central Canada during the Cool/Overwintering-Crop Growing Season

2012· article· en· W1973450496 sur OpenAlexafffundabout
Zhiwei Wu, Hai Lin, Yun Li, Youmin Tang

Notice bibliographique

RevueJournal of Applied Meteorology and Climatology · 2012
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensUniversity of Northern British ColumbiaEnvironment and Climate Change Canada
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaPriority Academic Program Development of Jiangsu Higher Education Institutions
Mots-clésFrost (temperature)OverwinteringClimatologyEnvironmental scienceEl Niño Southern OscillationPrincipal component analysisGrowing seasonSea surface temperatureCropPacific decadal oscillationAtmospheric sciencesGeographyMeteorologyGeologyEcologyMathematicsBiologyStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract Seasonal killing-frost frequency (KFF) during the cool/overwintering-crop growing season is important for the Canadian agricultural sector to prepare and respond to such extreme agrometeorological events. On the basis of observed daily surface air temperature across Canada for 1957–2007, this study found that more than 86% of the total killing-frost events occur in April–May and exhibit consistent variability over south-central Canada, the country’s major agricultural region. To quantify the KFF year-to-year variations, a simple index is defined as the mean KFF of the 187 temperature stations in south-central Canada. The KFF variability is basically dominated by two components: the decadal component with a peak periodicity around 11 yr and the interannual component of 2.5–3.8 yr. A statistical method called partial least squares (PLS) regression is utilized to uncover principal sea surface temperature (SST) modes in the winter preceding the KFF anomalies. It is found that most of the leading SST modes resemble patterns of El Niño–Southern Oscillation (ENSO) and/or the Pacific decadal oscillation (PDO). This indicates that ENSO and the PDO might be two dominant factors for the KFF variability. From a 41-yr training period (1957–97), a PLS seasonal prediction model is established, and 1-month-lead real-time forecasts are performed for the validation period of 1998–2007. A promising skill level is obtained. For the KFF variability, the prediction skill of the PLS model is comparable to or even better than the newly developed Canadian Seasonal to Interannual Prediction System (CanSIPS), which is a state-of-the-art global coupled dynamical system.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,200
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2012
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Meteorology and ClimatologyMême sujetClimate variability and modelsTravaux en français237 207