Multi-Model Forecast Quality Assessment of CMIP6 Decadal Predictions
Notice bibliographique
Résumé
Abstract Decadal climate predictions are a relatively new source of climate information for interannual 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 forecast periods) with skill that can be used to develop climate services to inform users in several sectors and define benchmarks for improvements in forecast systems. This work evaluates the quality of multi-model forecasts of near-surface air temperature, precipitation, Atlantic multidecadal variability index (AMV), and global near-surface air temperature (GSAT) anomalies generated from all the available retrospective decadal predictions contributing to phase 6 of the Coupled Model Intercomparison Project (CMIP6). The predictions generally show high skill in predicting temperature, AMV, and GSAT, while the skill is more limited for precipitation. Different approaches for generating a multi-model forecast are compared, finding small differences between them. The multi-model ensemble is also 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 historical simulations to estimate the impact of initialization. An added value is found for several ocean and land regions for temperature, AMV, and GSAT, while it is more reduced for precipitation. Moreover, the full ensemble is compared to a subensemble to measure the impact of the ensemble size. Finally, the implications of these results in a climate services context, which requires predictions issued in near–real time, are discussed.
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 | 0,002 | 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) | 0,002 | 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 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 ».