Interpretable Models Capture the Complex Relationship Between Climate Indices and Fire Season Intensity in Maritime Southeast Asia
Notice bibliographique
Résumé
There have been many extreme fire seasons in Maritime Southeast Asia (MSEA) over the last two decades, a trend which will likely continue or accelerate due to climate change. Fires, in turn, are a major driver of atmospheric carbon monoxide (CO) variability, especially in the Southern Hemisphere. Here we attempt to maximize the amount of CO variability that can be explained via human-interpretable statistical models that use only climate mode indices as predictor variables. We expand upon previous work through the complexity at which we study the connections between climate mode indices and atmospheric CO (a proxy for fire intensity). Specifically, we present three modeling advancements. First, we analyze five different climate modes at a weekly timescale, which increases explained variability by 15% over models on a monthly timescale. Second, we accommodate multiple lead times for each climate mode index, finding that some indices have very different effects on CO at different lead times. Finally, we model the interactions between climate mode indices at weekly timescales, which provides a framework for studying these interactions at a higher level of complexity than previous work. Furthermore, we perform a stability analysis and show that our model for the MSEA region is robust, which adds weight to the scientific interpretation of the selected model terms. We believe that the complex relationships quantified here will be useful for scientists studying modes of variability in MSEA and for forecasters looking to maximize the information they glean from climate modes.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».