CanStoc: A Hybrid Stochastic–GCM System for Monthly, Seasonal and Interannual Predictions
Notice bibliographique
Résumé
Beyond their deterministic predictability limits of ≈10 days and 6 months, the atmosphere and ocean become effectively stochastic. This has led to the development of stochastic models specifically for this macroweather regime. A particularly promising approach is based on the Fractional Energy Balance Equation (FEBE), an update of the classical Budyko–Sellers energy balance approach. The FEBE has scaling symmetries that imply long memories, and these are exploited in the Stochastic Seasonal and Interannual Prediction System (StocSIPS). Whereas classical long-range forecast systems are initial value problems based on spatial information, StocSIPS is a past value problem based on (long) series at each pixel. We show how to combine StocSIPS with a classical coupled GCM system (CanSIPS) into a hybrid system (CanStoc), the skill of which is better than either. We show that for one-month lead times, CanStoc’s skill is particularly enhanced over either CanSIPS or StocSIPS, whereas for 2–3-month lead times, CanSIPS provides little extra skill. As expected, the CanStoc skill is higher over ocean than over land with some seasonal dependence. From the classical point of view, CanStoc could be regarded as a post-processing technique. From the stochastic point of view, CanStoc could be regarded as a way of harnessing extra skill at the submonthly scales in which StocSIPS is not expected to apply.
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 | 0,000 | 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) | 0,000 | 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 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 ».