MétaCan
Menu
Retour à la cohorte
Enregistrement W2111350510 · doi:10.1029/2009gl041677

Contribution of land surface initialization to subseasonal forecast skill: First results from a multi‐model experiment

2010· article· en· W2111350510 sur OpenAlexaff
Randal D. Koster, Sarith Mahanama, Tomohito J. YAMADA, Gianpaolo Balsamo, Aaron Berg, M. Boisserie, Paul A. Dirmeyer, Francisco J. Doblas‐Reyes, G. Drewitt, Chris Gordon, Zhichang Guo, Jee‐Hoon Jeong, David M. Lawrence, W.‐S. Lee, Z. Li, Lifeng Luo, Sergey Malyshev, William J. Merryfield, Sonia I. Seneviratne, Tanja Stanelle, Bart van den Hurk, Frédéric Vitart, Eric F. Wood

Notice bibliographique

RevueGeophysical Research Letters · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensEnvironment and Climate Change CanadaUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésInitializationForecast skillClimatologyPrecipitationAnomaly (physics)Environmental scienceMeteorologyAtmosphere (unit)Quantitative precipitation forecastMagnitude (astronomy)Atmospheric sciencesGeologyComputer scienceGeographyPhysics

Résumé

récupéré en direct d'OpenAlex

The second phase of the Global Land‐Atmosphere Coupling Experiment (GLACE‐2) is aimed at quantifying, with a suite of long‐range forecast systems, the degree to which realistic land surface initialization contributes to the skill of subseasonal precipitation and air temperature forecasts. Results, which focus here on North America, show significant contributions to temperature prediction skill out to two months across large portions of the continent. For precipitation forecasts, contributions to skill are much weaker but are still significant out to 45 days in some locations. Skill levels increase markedly when calculations are conditioned on the magnitude of the initial soil moisture anomaly.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,329
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations452
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetClimate variability and modelsTravaux en français237 207