A Deep Learning Approach for the Identification of Long-Duration Mixed Precipitation in Montréal (Canada)
Notice bibliographique
Résumé
Long-duration mixed-precipitation events (freezing rain and/or ice pellets) are important cold-season hazards and understanding how climate change alters their occurrence is of high societal interest, particularly in urban areas. This study introduces a two-staged approach that employs deep learning to identify long-duration mixed precipitation over the Montréal area (Quebec, Canada) in archived climate model data using large-scale pressure patterns. The dominant dynamic mechanism leading to mixed precipitation in Montréal is pressure-driven channelling of winds along the St. Lawrence River Valley. A convolutional neural network (CNN) identifies the corresponding synoptic pattern by using a large training database derived from an ensemble of the Canadian Regional Climate Model, version 5 (CRCM5). The CRCM5 uses the diagnostic method of Bourgouin (2000) to simulate mixed precipitation and delivers training examples and corresponding class affiliations (labels) for this supervised classification task. The CNN correctly identifies more than 80% of the Bourgouin mixed-precipitation cases. In the next stage, the CNN is combined with temperature and precipitation conditions, which consider important preconditions for mixed precipitation and improve the performance of the approach. The evaluation of a CRCM5 run driven by ERA-Interim reanalysis data gives a Matthews correlation coefficient of 0.50. The deep learning approach can be applied to ensembles of regional climate models on the North American grid of the Coordinated Regional Downscaling Experiment (CORDEX-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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».