Seasonal Precipitation Forecast Using an Ensemble of Artificial Neural Networks and Climate Oscillation Indices. A Case Study of Ceará, northeastern Brazil.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This research assesses the deterministic and probabilistic skill of an Artificial Neural Networks ensemble (EANN) for a 1-month-lead precipitation forecast. The EANN employs low-frequency climate oscillation indices to predict precipitation in the Brazilian state of Ceará, a key region for climate forecasting studies due to its high seasonal predictability. Additionally, a combination of the EANN and dynamical models into a hybrid multi-model ensemble (MME) is proposed. The EANN's forecasting ability is compared to a Multiple Linear Regression, a Multinomial Logistic Regression and North American Multi-Model Ensemble (NMME) models through leave-one-out cross-validation based on 40 years of data. A spatial comparison showed that the EANN was among the models with the highest deterministic and probabilistic accuracy, except in the southern region of the state. Moreover, an analysis of the area-aggregated reliability and sharpness diagrams showed that the EANN is better calibrated than the individual dynamical models and has better resolution than traditional statistical models for above-normal (AN) and below-normal (BN) categories. Both statistical and dynamical models depict a bad-calibrated NN category. It is also shown that combining the EANN and dynamical models improves forecast system reliability compared to an MME based only on NMME models.
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.
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 | 0,001 |
| 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 découle