Long-Range Prediction of the Shipping Season in Hudson Bay: A Statistical Approach
Notice bibliographique
Résumé
Abstract Despite recent reductions in Arctic sea ice extent and the associated increase in both the recreational and commercial use of ice-infested waters, long-range prediction of operationally relevant sea ice parameters is an area of seasonal forecasting that has received little attention. Statistical methods that isolate and exploit empirical relationships between antecedent low-frequency climate variability and specific variables of interest are often used to solve seasonal forecasting problems. In this study, simple multiple linear regression (MLR) techniques are used to improve the skill of the seasonal (3-month lead) forecast of the breakup and clearing of sea ice along the shipping route through Hudson Bay that is issued each March by the Canadian Ice Service of Environment Canada. Using sea ice and climate data from 1972 to 2002, predictive MLR models are developed for the spring opening date of the shipping route and the latest expected opening date. A success rate of 77% over the 1972–2002 period for the opening date, from an MLR model that explains 76% of the variability in the original time series with a mean absolute error (MAE) of 0.38, is a marked improvement over the 48% success rate of the current analog methodology. The success rate of the model for the latest expected date is 87%; the modeled time series adequately represented interannual variability in the observed time series (r = 0.71) with a low MAE (MAE = 0.51). Results from a series of model diagnostics that include Monte Carlo simulations, cross validation, and analysis of residuals, suggest the final models are statistically valid and are not influenced by artificial skill. The main source of predictive skill in the model is winter low-frequency variability in North Atlantic sea surface temperatures and 500-mb geopotential heights; physical processes that may explain this link are presented. It is concluded that simple multiple linear regression techniques can be applied to generate use-specific seasonal forecasts of sea ice conditions and that the empirical knowledge gained in the model development may help elucidate or identify physical processes in the climate 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 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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».