Reanalysis of climate influences on Atlantic tropical cyclone activity using cluster analysis
Notice bibliographique
Résumé
Abstract We analyze, using Poisson regressions, the main climate influences on North Atlantic tropical cyclone activity. The analysis is performed using not only various time series of basin‐wide storm counts but also various series of regional clusters, taking into account shortcomings of the hurricane database through estimates of missing storms. The analysis confirms that tropical cyclones forming in different regions of the Atlantic are susceptible to different climate influences. We also investigate the presence of trends in these various time series, both at the basin‐wide and cluster levels, and show that, even after accounting for possible missing storms, there remains an upward trend in the eastern part of the basin and a downward trend in the western part. Using model selection algorithms, we show that the best model of Atlantic tropical cyclone activity for the recent past is constructed using Atlantic sea surface temperature and upper tropospheric temperature, while for the 1878–2015 period, the chosen covariates are Atlantic sea surface temperature and El Niño–Southern Oscillation. We also note that the presence of these artificial trends can impact the selection of the best covariates. If the underlying series shows an upward trend, then the mean Atlantic sea surface temperature captures both interannual variability and the upward trend, artificial or not. The relative sea surface temperature is chosen instead for stationary counts. Finally, we show that the predictive capability of the statistical models investigated is low for U.S. landfalling hurricanes but can be considerably improved when forecasting combinations of clusters whose hurricanes are most likely to make landfall.
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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».