Statistical post-processing of dynamical surface air temperature seasonal predictions using the leading ocean-forced spatial patterns
Notice bibliographique
Résumé
Une approche statistique est utilisée dans le but de corriger des ensembles de prévisions saisonnières de la température de l'air à la surface (SAT) et à 850 hPa (T850) à partir d'un modèle dynamique global (GCM3). Le but de l'approche est de corriger des erreurs systématiques associées à la réponse du modèle aux deux principaux patrons reliés à la réponse de la température à la surface de l'océan (TSO) dans le Pacifique tropical. Les anomalies de la SAT (ou T850) reliées aux anomalies de la TSO sur le Pacifique tropical peuvent être obtenues à partir d'une analyse de décomposition des valeurs singulières (SVD). La méthode de post-traitement est appliquée aux moyennes d'ensemble de prévisions pour l'hiver. Ces ensembles de prévisions ont été fournis par le "Historical Forecasting Project" pour 30 hivers (1969 à 1998). Nous avons vérifié si la méthode statistique améliore les prévisions des patrons de la SAT (ou T850) associés à l'indice de l'oscillation du sud (SOI) ou à l'indice de l'Oscillation Atlantique Nord (NAO). Les résultats montrent que la méthode améliore les prévisions des patrons du SAT (ou T850) associés à l'indexe NAO. Par contre, les patrons du SAT (ou T850 ) associés au SOI, ne sont pas améliorés par le post-traitement statistique. Nous examinons aussi comment la méthode de post-traitement peut améliorer la qualité des prévisions “totale” i.e., quand toute la variabilité atmospherique est prise en compte, et non seulement celle associée aux indices SOI et NAO.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».