Seasonal Precipitation Forecast Using an Ensemble of Artificial Neural Networks and Climate Oscillation Indices. A Case Study of Ceará, northeastern Brazil.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».