MétaCan
Menu
← Retour à la cohorte
Enregistrement W2901562893 · doi:10.1029/2018gl080221

Decadal Variation in IOD Predictability During 1881–2016

2018· article· en· W2901562893 sur OpenAlexafffund
Xunshu Song, Youmin Tang, Dake Chen

Notice bibliographique

RevueGeophysical Research Letters · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesNational Key Research and Development Program of ChinaNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of ChinaMinistry of Science and Technology of the People's Republic of ChinaMet Office
Mots-clésPredictabilityClimatologyIndian Ocean DipoleEl Niño Southern OscillationHindcastBorealVariation (astronomy)Environmental scienceGeologyMathematicsStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract In this study, a long‐term retrospective hindcast experiment is performed for the period from 1881 to 2016 with respect to tropical Pacific and Indian Oceans using a newly developed tropical intermediate coupled model. We focus on the predictability of the Indian Ocean Dipole (IOD) mode, especially its decadal variation. There is a considerable decadal variation in IOD predictability, with high skill after the 1980s and low skill in 1940–1960. This decadal variation is significant when the prediction target is observed in the boreal autumn and winter months. Further diagnostic analysis revealed that this decadal variation was primarily due to the decadal variation in the El Nino and Southern Oscillation (ENSO)‐IOD relation that characterized the ENSO‐induced precursor processes, strengthening the predictable IOD signal. Unlike the ENSO predictability that is substantially related to the ENSO signal, the IOD predictability is related to the ENSO‐induced signal rather than the total IOD signal.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,308
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysical Research Letters→Même sujetClimate variability and models→Travaux en français237 207→