Nonlinear multichannel singular spectrum analysis of the tropical Pacific climate variability using a neural network approach
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».