CSTools: the MEDSCOPE Toolbox for Climate Forecasts postprocessing
Notice bibliographique
Résumé
Climate forecasts need to be postprocessed to obtain user-relevant climate information, to develop and implement strategies of adaptation to climate variability and to trigger decisions. Several postprocessing methods are gathered into CSTools (short for Climate Service Tools) for forecast calibration, bias correction, statistical and stochastic downscaling, optimal forecast combination and multivariate verification, as well as basic and advanced tools to obtain tailored products. Besides an overview of the methods and documentation available in CSTools, a practical example is demonstrated. The objective of this practical example is to postprocess a seasonal forecast with a set of CSTools functions in order to obtain the required data to produce forecasts of mountain snow resources. Quantile mapping bias-correction and RainFARM stochastic downscaling methods are applied to raw seasonal forecast daily precipitation data to derive 1 km resolution fields. Bias-adjusted and downscaled precipitation data are then employed to drive a snow model, SNOWPACK, and generate snow depth seasonal forecasts at selected high-elevation sites in North-Western Italian Alps. The computational resources required by CSTools to process the forecasts will be discussed. This assessment is relevant given the memory requirements for the use case: while seasonal forecast data occupies ~10MB (8 x 8 grid cells, 215 forecast time steps for 30 different initializations with 25 members each), the data post-processed reaches ~1TB (the RainFARM downscaling requires a refinement factor 100 for the SNOWPACK model increasing the spatial resolution to 800 x 800 grid cells and creating 10 stochastic realizations for each ensemble member). In addition to one strategy using conventional loops, startR is introduced as an efficient alternative. startR is an R package that allows implementing the MapReduce paradigm, i.e. chunking the data and processing them either locally or remotely on high-performance computing systems, leveraging multi-node and multi-core parallelism where possible.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,184 | 0,100 |
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 ».