Using redundancy analysis to improve dynamical seasonal mean 500 hPa geopotential forecasts
Notice bibliographique
Résumé
Abstract In this study, we evaluate and compare 500 hPa geopotential height hindcast skill in two large dynamical hindcast experiments performed with the Canadian Climate Centre second generation general circulation model (GCM). In one hindcast experiment, seasonal hindcasts are made from lagged initial conditions observed at the beginning of each season. The sea‐surface temperatures (SSTs) required by the model during each forecast period are forecast by persisting the SST anomalies observed during the month just prior to the forecast period. The second hindcast experiment consists of an ensemble of simulations in which continuously evolving observed SSTs are specified at the model's lower boundary. These hindcasts do not benefit from re‐specification of the initial state at the beginning of each season, but they do enjoy the benefit of ‘perfect’ SST forecasts. We also demonstrate the use of a regression technique, called redundancy analysis (RA), for statistically improving the skill of both types of dynamical hindcast. The results indicate that specification of the initial state at the beginning of each season adds skill to the seasonal hindcasts, even though SSTs at the lower boundary are imperfectly specified. We also find that the model can predict the mean state of the North Atlantic Oscillation (NAO) with some skill in boreal winter and spring when the initial state is specified at the beginning of each season. The results also indicate that statistical post‐processing with the RA technique improves the (cross‐validated) skill of both types of dynamical hindcast. Copyright © 2001 Royal Meteorological Society
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».