Skill of Medium-Range Forecast Models Using the Same Initial Conditions
Notice bibliographique
Résumé
Abstract In the Different Models, Same Initial Conditions (DIMOSIC) project, forecasts from different global medium-range forecast models have been created based on the same initial conditions. The dataset consists of 10-day deterministic forecasts from seven models and includes 122 forecast dates spanning one calendar year. All forecasts are initialized from the same ECMWF operational analyses to minimize the differences due to initialization. The models are run at or near their respective operational resolutions to explore similarities and differences between operational global forecast models. The main aims of this study are 1) to evaluate the forecast skill and how it depends on model formulation, 2) to assess systematic differences and errors at short lead times, 3) to compare multimodel ensemble spread to model uncertainty schemes, and 4) to identify models that generate similar solutions. Our results show that all models in this study are capable of producing high-quality forecasts given a high-quality analysis. But at the same time, we find a large variety in model biases, both in terms of temperature errors and precipitation. We are able to identify models whose forecasts are more similar to each other than they are to those of other systems, due to the use of similar model physics packages. However, in terms of multimodel ensemble spread, our results also demonstrate that forecast sensitivities to different model formulations still are substantial. We therefore believe that the diversity in model design that stems from parallel development efforts at global modeling centers around the world remains valuable for future progress in the numerical weather prediction community.
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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».