Machine Learning Models for the Seasonal Forecast of Winter Surface Air Temperature in North America
Notice bibliographique
Résumé
Abstract In this study, two machine learning (ML) models (support vector regression (SVR) and extreme gradient boosting (XGBoost)) are developed to perform seasonal forecasts of the surface air temperature (SAT) in winter (December‐January‐February, DJF) in North America (NA). The seasonal forecast skills of the two ML models are evaluated via cross validation. The forecast results from one linear regression (LR) model, and two dynamic climate models are used for comparison. In the take‐one‐out hindcast experiment, the two ML models and the LR model show reasonable seasonal forecast skills for winter SAT in NA. Compared to the two dynamic models, the two ML models and the LR model have better forecast skill for the winter SAT over central NA, which is mainly derived from a skillful forecast of the second empirical orthogonal function (EOF) mode of winter SAT over NA. In general, the SVR model and XGBoost model hindcasts show better forecast performances than the LR model. However, the LR model shows less dependence on the size of the training data set than the SVR and XGBoost models. In the real forecast experiments during the period of 2011–2017, the two ML models exhibit better forecasting skills for the winter SAT over northern and central NA than do the two dynamic models. The results of this study suggest that the ML models may provide improved forecasting skill for seasonal forecasts of the winter climate in NA.
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 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».