Calibration of sea ice drift forecasts using random forest algorithms
Notice bibliographique
Résumé
There is a growing demand for accurate sea-ice forecasts in the Arctic due to increasing maritime traffic. Although the capabilities of numerical models steadily improve, sea-ice forecasts produced by numerical prediction systems are affected by biases. In order to reduce forecast errors, statistical methods can be used for calibration. In this study, two calibration methods have been developed for calibrating sea-ice drift forecasts from an operational prediction system (TOPAZ4) in the Arctic. These methods are based on random forest algorithms, a machine learning technique suitable for assessing non-linear relationships between a set of predictors and a target variable. While all the algorithms developed in this study use the same set of predictors, two set of algorithms have been developed using either buoy or synthetic-aperture radar (SAR) observations for the target variable. Furthermore, different algorithms have been developed for predicting the direction and the speed of sea-ice drift, as well as for different lead times. The random forest algorithms use predictor variables from sea-ice concentration observations during the initialization of the forecasts, sea-ice forecasts from the TOPAZ4 prediction system, wind forecasts from the European Centre for Medium-Range Weather Forecasts, and some geographical information. The performances of the calibrated forecasts have been evaluated and compared to those from the TOPAZ4 forecasts using buoy observations from the International Arctic Buoy Programme. Depending on the calibration method, the mean absolute error is reduced, on average, between 5.9 % and 8.1 % for the direction, and between 7.1 % and 9.6 % for the speed of sea-ice drift. However, there is a large spatial variability in the performances of these algorithms, and the random forest algorithms have particularly poor performances in the Canadian Archipelago, an area characterized by narrow channels and the presence of landfast ice.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».