Decadal Variation of Predictability of the Indian Ocean Dipole during 1880–2017 Using an Ensemble Prediction System
Notice bibliographique
Résumé
Abstract In this study, we investigate both the decadal variation of the Indian Ocean dipole (IOD) prediction skill and possible sources of this decadal variation. We use an ensemble long-term retrospective forecast experiment covering 1880–2017 that utilizes the Community Earth System Model (CESM). We find that the decadal variation of the IOD prediction skill is significant and that it varies with the lead time. We also find that the decadal variation of the IOD prediction skill for the target season of boreal autumn determines that for all initial conditions, regardless of the lead months. For short lead times, the decadal variations of the IOD strength and of the IOD precursor in the initial month of July are the major factors influencing the IOD prediction skill. This occurs because the IOD events are in the developmental phase, and the stronger IOD signal in the initial conditions leads to better predictions. For long lead times, the decadal variation of remote forcing by El Niño–Southern Oscillation (ENSO) and the ENSO precursor signal in the IOD influence the IOD prediction skill more significantly than do the strengths of the ENSO or the IOD. In addition, the analysis also indicated that the period with a low ENSO–IOD relationship has low predictability, not only because the ENSO little influence on IOD but also because the model biasedly overestimates the ENSO–IOD relationship. Significance Statement The Indian Ocean dipole (IOD) has strong climatic effects, both around the Indian Ocean and globally, which have strong impacts on human life and economic development. It is important to be able to predict IOD events accurately to mitigate those impacts. Here, we conducted a 138-yr prediction experiment using a state-of-the-art climate model to confirm the existence of a decadal variation in IOD predictability and to identify factors that influence the IOD prediction skill. The most important factors that influence the decadal variation of IOD prediction skill differ for 3-month and 6-month lead times, and additional studies will be necessary to clarify the specific factors responsible for these differences.
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 | 0,002 |
| 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 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 ».