Forecasting northern polar stratospheric variability with competing statistical learning models
Notice bibliographique
Résumé
The northern polar stratosphere plays an important role in modulating wintertime near‐surface temperatures in midlatitudes. Therefore forecasting northern polar stratospheric variability has the potential to extend the skill of seasonal winter weather forecasts. This research explores the utility of state‐of‐the‐art statistical learning models for medium‐range (10–20 day lead time) forecasting of northern polar stratospheric variability. In addition to indices representing the El Niño Southern Oscillation, the Quasi‐Biennial Oscillation, and the 11‐year solar cycle, indices of the upward flux of wave activity from the troposphere into the stratosphere (WAF) are used as predictors for modelling and forecasting stratospheric temperature and geopotential height anomalies. The WAF is known to provide the primary source of intraseasonal variability in the wintertime stratospheric polar vortex. Multiple linear regression, random forest, artificial neural network, and support vector regression (SVR) models were trained over the 1980–2005 time period, and replicated real‐time forecasts were generated for the 2005–2011 time period. The highest correlation skill for 10 day forecasts (ρ=0.41 for temperature, andρ=0.49 for geopotential height) was found using the SVR model, which represents an improvement in skill over previous work that did not include WAF, or lagged predictors. Using a permutation‐based method, the importance of each predictor was ranked, and the WAF predictors were found to be most important for improving forecast skill in all models. In addition to improved forecast skill, it is argued that the methods presented here represent an advance due to their increased simplicity and relative ease of physical interpretation.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».