Using a Coevolutionary Postprocessor to Improve Skill for Both Forecasts of Surface Temperature and Nowcasts of Convection Occurrence
Notice bibliographique
Résumé
Abstract An evolutionary programming postprocessor, using coevolution in a predator–prey ecosystem model, is developed and applied both to 72-h, 2-m temperature forecasts for the conterminous United States and southern Canada and to 60-min nowcasts of convection occurrence for the United States east of 94°W. The new approach improves deterministic and probabilistic forecasts of surface temperature relative to bias-corrected numerical weather prediction forecasts and to an earlier version of evolutionary programming forecasts for these same data. The new method also improves deterministic performance for an artificial neural network trained and evaluated for these same data. Additionally, the new approach substantially improves these forecasts’ reliability, as evidenced by reductions in the occurrence of excessive outliers in the rank histogram. The coevolutionary postprocessor also improves deterministic nowcasts of convection occurrence when compared to those produced by the National Weather Service’s AutoNowCaster system and to those obtained using multiple logistic regression. Notably, the degree of improvement relative to traditional methods appears to be problem dependent, while the training and implementation of such a system requires additional effort. However, the coevolutionary system is shown to be robust to imbalances between the frequency of positive and null events in the training data, unlike many postprocessing methods; to be implementable and effective in an adaptive mode, removing the need for retraining as inputs (such as numerical weather prediction model data) change; and to provide a useful, alternative perspective on the likelihood of event occurrence when used in combination with other methods.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».