Power-Law and Long-Memory Characteristics of the Atmospheric General Circulation
Notice bibliographique
Résumé
Abstract The question of which statistical model best describes internal climate variability on interannual and longer time scales is essential to the ability to predict such variables and detect periodicities and trends in them. For over 30 yr the dominant model for background climate variability has been the autoregressive model of the first order (AR1). However, recent research has shown that some aspects of climate variability are best described by a “long memory” or “power-law” model. Such a model fits a temporal spectrum to a single power-law function, which thereby accumulates more power at lower frequencies than an AR1 fit. In this study, several power-law model estimators are applied to global temperature data from reanalysis products. The methods employed (the detrended fluctuation analysis, Geweke–Porter-Hudak estimator, Gaussian semiparametric estimator, and multitapered versions of the last two) agree well for pure power-law stochastic processes. However, for the observed temperature record, the power-law fits are sensitive to the choice of frequency range and the intrinsic filtering properties of the methods. The observational results converge once frequency ranges are made consistent and the lowest frequencies are included, and once several climate signals have been filtered. Two robust results emerge from the analysis: first, that the tropical circulation features relatively large power-law exponents that connect to the zonal-mean extratropical circulation; and second, that the subtropical lower stratosphere exhibits power-law behavior that is volcanically forced.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».