Seasonal Forecast Skill of Arctic Sea Ice in Two Versions of a Dynamical Forecasting System and Comparisons with Potential Predictability Estimates
Notice bibliographique
Résumé
In this study, we assess pan-Arctic and regional seasonal sea ice forecast skill in versions 1 and 2 of the Canadian Seasonal to Inter-annual Prediction System (CanSIPSv1 and CanSIPSv2) dynamical seasonal prediction systems. Each version applies a multi-model ensemble approach using two coupled general circulation models. CanSIPSv2 features a new model formulation (where one of the underlying models, CanCM3, was replaced with GEM-NEMO) and improved sea ice initialization. We show that the modifications made in the development of CanSIPSv2 substantially enhance forecast skill. For example, the lead time for skillful forecasts of detrended pan-Arctic September sea ice area increases from three months in CanSIPSv1 to seven months in CanSIPSv2. We also show that forecasts of detrended winter sea ice area are improved, with CanSIPSv2 producing skillful forecasts for all considered lead times (up to 11 months) for December, January, and February. We find that improvements in pan-Arctic forecast skill are due primarily to improved initialization methods.Further, a potential predictability experiment is conducted for one of the two CANSIPSv2 models, CanCM4, in order to establish – in conjunction with similar studies – the potential to further increase forecast skill with improved models, observations and initialization 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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».