Surface Wind Speed Prediction in the Canadian Arctic using Non-Linear Machine Learning Methods
Notice bibliographique
Résumé
Two non-linear, machine-learning/statistical methods, i.e., Bayesian neural network (BNN) and support vector regression (SVR), plus multiple linear regression (MLR), were used to forecast surface wind speeds at lead times of 12, 24, 48 and 72 h. Three different schemes, a statistical downscaling model (Scheme 1) using daily reforecast data from the National Centers for Environmental Prediction (NCEP) Global Forecasting System (GFS), an autoregressive model (Scheme 2) based on past wind observations, and a full model (Scheme 3) combining the two, were investigated in this study for the October–March winds from two meteorological stations in the Canadian Arctic (Clyde River and Paulatuk). At very short lead times, Scheme 2 provides better wind speed prediction than Scheme 1, but its forecast scores decrease rapidly with lead time. Scheme 3 generally performs best, especially at shorter lead times. All the linear and non-linear downscaling methods have significantly higher forecast scores at the two stations than the GFS reforecast. The non-linear methods tended to have slightly better forecast scores than linear methods (MLR and the linear version of SVR). There is particular interest in high-wind events, defined as having wind speeds over 22 knots (11.3 m s−1). After rescaling, the continuous wind predictions from Scheme 3 were classified into two types — high-wind event or non-event. For high-wind event forecasting, the non-linear methods have marginally better binary forecast scores than the linear methods for Clyde River but not for Paulatuk. The alternative approach of using support vector classification (SVC) did not perform better, but weighting the high-wind events more heavily than the non-events during model training improved the binary forecast scores.
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 | 0,001 |
| 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 | 0,001 | 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 ».