Predicting the Atlantic Meridional Overturning Circulation Using Nonlinear System Identification Methods and the NARMAX Model
Notice bibliographique
Résumé
The Atlantic Meridional Overturning Circulation (AMOC) plays an important role in the coupled ocean-climate system and in global climate change. The analysis of its own behaviour and the understanding its links to other climate dynamics is of paramount importance today as we encounter an increasing pressure to adapt to climate change. Due to the enormous complexity, it is almost impossible to establish accurate models, purely based on first-principle modelling approaches, that can perfectly represent the relationships between the AMOC and other dynamic climate parameters. Data-based or data-driven modelling methods, can therefore provide an attractive alternative solution. Systematic regular and continuous measurement of the AMOC time series began in April 2004. The main objective of the paper is to use the monthly data of the AMOC measured during April 2004 - February 2017, together with the North Atlantic Oscillation (NAO) index, and density anomalies of the Gulf of Mexico, Labrador Sea and Norwegian Sea, measured during the same period, to investigate and understand the quantitative relationship between the AMOC and four drivers (NAO and the three density anomaly variables). In doing so, nonlinear system identification methods and the Nonlinear AutoRegressive Moving Average with Exogenous input (NARMAX) method are employed to develop a quantitative model that relates the AMOC to the four drivers. Experimental results show that the derived nonlinear model skillfully captures and represents the dynamics of the AMOC based on the other four variables. One of the findings from this study is that the use of autoregressive variables can help improve the prediction of the AMOC.
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 | 0,002 | 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 ».