Seasonal predictability of the tropical Indian Ocean SST in the North American multimodel ensemble
Notice bibliographique
Résumé
In this study, we investigate the predictability of the tropical Indian Ocean (TIO) sea surface temperature anomalies (SSTA) using the recently released North American Multimodel Ensemble dataset (NMME). We place emphasis on the predictability of two interannual variability modes: the Indian Ocean Basin mode (IOBM) and the Indian Ocean Dipole (IOD). If defined by a 0.5 correlation skill, we find that the statistically skilful predictions correspond to an approximately 9- and 4-month lead for the two modes, respectively. We then applied a newly-developed predictability framework, i.e. Average Predictability Time method (APT), to explore the most potentially predictable mode (APT1) for the TIO SSTA. The derived APT1s correlate significantly to the IOBM and IOD, but are also characterised by several significant differences, which implies that there is a close link between the variability-related modes and the predictability-defined modes. Further analysis reveals that the predictability source of the IOBM-related APT1 originates from ENSO-induced thermocline variation over the southwest Indian Ocean, whereas wind-driven upwelling near Sumatra dominates IOD-related APT1. This study provides insights into the understanding of TIO SSTA predictability and offers a practical approach to obtain predictable targets to improve the TIO seasonal prediction skill.
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 | 0,001 |
| 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 ».