Multi-model forecast quality assessment of CMIP6 decadal predictions
Notice bibliographique
Résumé
<p>Decadal climate predictions are a new source of climate information for inter-annual to decadal time scales, which is of increasing interest for users. Forecast quality assessment is essential to identify windows of opportunity (e.g., variables, regions, and lead times) with skill that can be used to develop a climate service and inform users in several sectors. Also, it can help to monitor improvements in current forecast systems. The Decadal Climate Prediction Project Component A (DCPP-A) of the Coupled Model Intercom-parison Project Phase 6 (CMIP6) now provides the most comprehensive set of retrospective decadal predictions from multiple forecast systems. The increasing availability of these simulations leads to the question of how to best post-process the raw output from the forecast systems so that the most useful and reliable information is provided to users.</p><p>This work evaluates the quality of deterministic and probabilistic forecasts for spatial fields of near-surface air temperature and precipitation, and time series of the Atlantic multi-decadal variability index (AMV) and global near-surface air temperature anomalies (GSAT) generated from all the available decadal predictions contributing to CMIP6/DCPP-A (169 members from 13 forecast systems). The predictions generally show high skill in predicting temperature and the AMV and GSAT time series, while the skill is more limited for precipitation. Also, different approaches for building a multi-model forecast are compared (pooling all ensemble members versus combining the averages from individual forecast systems), finding small differences. Besides, the multi-model ensemble is compared to the individual forecast systems. The best system usually provides the highest skill. However, the multi-model ensemble is a reasonable choice for not having to select the best system for each particular variable, forecast period and region. Furthermore, the decadal predictions are compared to the uninitialized historical climate simulations (195 members from the same forecast systems as the decadal prediction members) to estimate the impact of initialization. An added value is found for temperature over several ocean and land regions, and for the AMV and GSAT time series, while it is more reduced for precipitation. Moreover, the full DCPP-A ensemble is compared to a sub-ensemble of predictions that could be provided in near real-time for a potential operational product generation. The comparison shows a benefit of using a large ensemble over several regions, especially for temperature. Finally, the implications of these results in a climate services context are discussed.</p><div> </div>
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 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 ».