Multiweek Prediction Skill Assessment of Arctic Sea Ice Variability in the CFSv2
Notice bibliographique
Résumé
Abstract Skillful Arctic Sea ice prediction is becoming increasingly important because of its societal, industrial, and economic impacts over the polar regions and potential influence on lower-latitude weather and climate variability. In this work, we evaluate the multiweek forecast skill of Arctic sea ice using the Climate Forecast System, version 2 (CFSv2). To the authors’ knowledge, this is the first effort to diagnose and assess the skill of multiweek Arctic sea ice prediction from a coupled atmosphere–ocean model. Analysis of a suite of retrospective 45-day forecasts spanning 1999–2015 shows that CFSv2 captures general features of sea ice concentration (SIC) variability. Total SIC variability is dominated by interannual variability, which accounts for more than 60% of the total variance. Submonthly variability accounts for 29% of the total variance in December, 20% in March and June, and 12.5% in September. We assess the ability of CFSv2 to predict the pan-Arctic SIC, as well as regional SIC in nine Arctic regions. Results show that the SIC prediction skill is highly region dependent (e.g., higher prediction skill for Kara/Barents Seas and lower for the Canadian Archipelago). Overall, the maximum anomaly correlation coefficient (ACC) of SIC for both melt and freeze-up seasons is near the marginal zones, and their spatial distribution shows a relationship with the distribution of the variance. If the ACC of 0.5 is taken as the critical value for skillful prediction, the predictability of weekly SIC near the marginal zones is about 5–6 weeks. Prediction skill for Arctic sea ice extent is above 0.6 for the entire six target weeks and has a large contribution from interannual variability.
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 | 0,000 |
| 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 | 0,000 | 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 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 ».