Probabilistic forecasting from ensemble prediction systems: Improving upon the best‐member method by using a different weight and dressing kernel for each member
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
Abstract Ensembles of meteorological forecasts can both provide more accurate long‐term forecasts and help assess the uncertainty of these forecasts. No single method has however emerged to obtain large numbers of equiprobable scenarios from such ensembles. A simple resampling scheme, the ‘best member’ method, has recently been proposed to this effect: individual members of an ensemble are ‘dressed’ with error patterns drawn from a database of past errors made by the ‘best’ member of the ensemble at each time step. It has been shown that the best‐member method can lead to both underdispersive and overdispersive ensembles. The error patterns can be rescaled so as to obtain ensembles which display the desired variance. However, this approach fails in cases where the undressed ensemble members are already overdispersive. Furthermore, we show in this paper that it can also lead to an overestimation of the probability of extreme events. We propose to overcome both difficulties by dressing and weighting each member differently, using a different error distribution for each order statistic of the ensemble. We show on a synthetic example and using an operational ensemble prediction system that this new method leads to improved probabilistic forecasts, when the undressed ensemble members are both underdispersive and overdispersive. Copyright © 2006 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.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 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) | 0,000 | 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