Nonlinear multichannel singular spectrum analysis of the tropical Pacific climate variability using a neural network approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Singular spectrum analysis (SSA), a linear (univariate and multivariate) time series technique, performs principal component analysis (PCA) on an augmented data set containing the original data and time‐lagged copies of the data. Neural network theory has meanwhile allowed PCA to be generalized to nonlinear PCA (NLPCA). In this paper, NLPCA is further extended to perform nonlinear SSA (NLSSA): First, SSA is applied to reduce the dimension of the data set; the leading principal components (PCs) of the SSA then become inputs to an NLPCA network (with a circular node at the bottleneck). This network performs the NLSSA by nonlinearly combining all the input SSA PCs. The NLSSA is applied to the tropical Pacific sea surface temperature anomaly (SSTA) field and to the sea level pressure anomaly (SLPA) field for the 1950–2000 period. Unlike SSA modes, which display warm and cool periods of similar duration and intensity, NLSSA mode 1 shows the warm periods to be shorter and more intense than the cool periods, as observed for the El Niño‐Southern Oscillation. Also, in SSTA NLSSA mode 1 the peak warm event is centered in the eastern equatorial Pacific, while the peak cool event is located around the central equatorial Pacific, an asymmetry not found in the individual SSA modes. A quasi‐triennial wave of about a 39 month period is found in NLSSA mode 2 of the SSTA and of the SLPA.
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle