Applying Fuzzy Clustering to a Multimodel Ensemble for U.S. East Coast Winter Storms: Scenario Identification and Forecast Verification
Notice bibliographique
Résumé
Abstract This article introduces a method for objectively separating and validating forecast scenarios within a large multimodel ensemble for the medium-range (3–7 day) forecasts of extratropical cyclones impacting the U.S. East Coast. The method applies fuzzy clustering to the principal components (PCs) of empirical orthogonal function (EOF) analysis on mean sea level pressure (MSLP) from a 90-member combination of the global ensembles from the National Centers for Environmental Prediction, the Canadian Meteorological Center, and the European Centre for Medium-Range Weather Forecasts. Two representative cases are presented to illustrate the applications of this method. Application to the 26–28 January 2015 event demonstrates that the forecast scenarios determined by the fuzzy clustering method are well separated and consistent in different state variables (i.e., MSLP, 500-hPa geopotential height, and total precipitation). The fuzzy clustering method and an existing ensemble sensitivity method are applied to the 26–28 December 2010 event to investigate forecast uncertainty, which demonstrates that these two methods are complementary to each other and can be used in the operations together to track the evolution of forecast uncertainty. For past cases one can define a cluster close to the analysis based on the projection of the analysis onto the PC base of clustering. This analysis group is validated using conventional validation metrics for both cases examined, and this analysis group has fewer errors than the other groups as well as the multimodel ensemble mean and individual model means.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».