Calibrated Probabilistic Forecasts of Arctic Sea Ice Concentration
Notice bibliographique
Résumé
Seasonal forecasts of Arctic sea ice using dynamical models are inherently uncertain and so are best communicated in terms of probabilities. Here, we describe novel statistical postprocessing methodologies intended to improve ensemble-based probabilistic forecasts of local sea ice concentration (SIC). The first of these improvements is the application of the parametric zero- and one-inflated beta (BEINF) probability distribution, suitable for doubly bounded variables such as SIC, for obtaining a smoothed forecast probability distribution. The second improvement is the introduction of a novel calibration technique, termed trend-adjusted quantile mapping (TAQM), that explicitly takes into account SIC trends and is applied using the BEINF distribution. We demonstrate these methods using a set of 10-member ensemble SIC hindcasts from the Third Generation Canadian Climate Coupled Global Climate Model (CanCM3) over the period 1981–2017. Though fitting ensemble SIC hindcasts to the BEINF distribution consistently improves probabilistic hindcast skill relative to a simpler “count based” probability approach in perfect model experiments, it does not itself correct model biases that may reduce this improvement when verifying against observations. The TAQM calibration technique is effective at removing SIC biases present in CanCM3 and improving forecast reliability. Over the recent 2000–17 period, TAQM-calibrated SIC hindcasts show improved skill relative to uncalibrated hindcasts. Compared against a climatological reference forecast adjusted for the trend, TAQM-calibrated hindcasts show widespread skill, particularly in September, even at 3–4-month lead times.
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) | 0,001 | 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 ».