El Niño southern-oscillation prediction using southern oscillation index and Niño3 as onset indicators: Application of artificial neural networks
Notice bibliographique
Résumé
El Niño southern-oscillation (ENSO) is known to be the strongest climatic variation on seasonal to inter-annual time scales. It causes severe droughts, floods, fires, and hurricanes leading to economical disasters. This study explores the use of relatively simple inputs in developing artificial neural network (ANN) models for predicting the onset of ENSO by forecasting some of its indicators. Two indicators, southern oscillation index (SOI) and Niño3, were used one at a time to model the ENSO occurrence using monthly averaged data. Both models performed well in forecasting and predicting ENSO occurrence up to 12 months in advance. Correlation coefficient values of more than 0.8 and 0.9 (one month lead time), and above 0.7 and 0.8 (12 month lead time) were obtained for SOI and Niño3, respectively. Both models apply the feed forward multilayer perceptron network trained with error back-propagation algorithm. The final models were compared with each other and found to be highly consistent with 75% agreement in their forecasting ability. Key words: climate anomalies, ENSO, El Niño, La Niña, artificial neural networks, southern oscillation index (SOI), Niño3, teleconnections.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».