Spatial and Temporal Variation of Subseasonal-to-Seasonal (S2S) Precipitation Reforecast Skill across the CONUS
Notice bibliographique
Résumé
Abstract Precipitation forecasts, particularly at subseasonal-to-seasonal (S2S) time scale, are essential for informed and proactive water resource management. Although S2S precipitation forecasts have been evaluated, no systematic decomposition of the skill, Nash–Sutcliffe efficiency (NSE) coefficient, has been analyzed toward understanding the forecast accuracy. We decompose the NSE of S2S precipitation forecast into its three components—correlation, conditional bias, and unconditional bias—by four seasons, three lead times (1–12, 1–22, and 1–32 days), and three models, European Centre of Medium-Range Weather Forecasts (ECMWF), National Centers for Environmental Prediction’s (NCEP) Climate Forecast System (CFS) model, and Environment and Climate Change Canada (ECCC), over the conterminous United States (CONUS). Application of a dry threshold, removal of grid cells with seasonal climatological precipitation means below 0.01 in. per day, is important as the NSE and correlations are lower across all seasons after masking areas with low precipitation values. Further, a west-to-east gradient in S2S forecast skill exists, and forecast skill was better during the winter months and for areas closer to the coast. Overall, ECMWF’s model performance was stronger than both ECCC and NCEP CFS’s performance, mainly for the forecasts issued during the fall and winter months. However, ECCC and NCEP CFS performed better for the forecast issued during the spring months and for areas further from the coast. Postprocessing using simple model output statistics could reduce both unconditional and conditional biases to zero, thereby offering better skill for regimes with high correlation. Our decomposition results show that efforts should focus on improving model parameterization and initialization schemes for climate regimes with low correlation.
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 | 0,000 | 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) | 0,001 | 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 ».