Tropical rainfall predictions from multiple seasonal forecast systems
Notice bibliographique
Résumé
We quantify seasonal prediction skill of tropical winter rainfall in 14 climate forecast systems. High levels of seasonal prediction skill exist for year‐to‐year rainfall variability in all tropical ocean basins. The tropical East Pacific is the most skilful region, with very high correlation scores, and the tropical West Pacific is also highly skilful. Predictions of tropical Atlantic and Indian Ocean rainfall show lower but statistically significant scores. We compare prediction skill (measured against observed variability) with model predictability (using single forecasts as surrogate observations). Model predictability matches prediction skill in some regions but it is generally greater, especially over the Indian Ocean. We also find significant inter‐basin connections in both observed and predicted rainfall. Teleconnections between basins due to El Niño–Southern Oscillation (ENSO) appear to be reproduced in multi‐model predictions and are responsible for much of the prediction skill. They also explain the relative magnitude of inter‐annual variability, the relative magnitude of predictable rainfall signals and the ranking of prediction skill across different basins. These seasonal tropical rainfall predictions exhibit a severe wet bias, often in excess of 20% of mean rainfall. However, we find little direct relationship between bias and prediction skill. Our results suggest that future prediction systems would be best improved through better model representation of inter‐basin rainfall connections as these are strongly related to prediction skill, particularly in the Indian and West Pacific regions. Finally, we show that predictions of tropical rainfall alone can generate highly skilful forecasts of the main modes of extratropical circulation via linear relationships that might provide a useful tool to interpret real‐time forecasts.
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 | 0,000 | 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) | 0,002 | 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 ».