Impact‐Based Skill Evaluation of Seasonal Precipitation Forecasts
Notice bibliographique
Résumé
Abstract We introduce an impact‐based framework to evaluate seasonal forecast model skill in capturing extreme weather and climate events over regions prone to natural disasters such as floods and wildfires. Forecasting hydroclimatic extremes holds significant importance in an era of increasing hazards such as wildfires, floods, and droughts. We evaluate the performance of five Copernicus Climate Change Service (C3S) seasonal forecast models (CMCC, DWD, ECCC, UK‐Met, and Météo‐France) in predicting extreme precipitation events from 1993 to 2016 using 14 indices reflecting timing and intensity (using absolute and locally defined thresholds) of precipitation at a seasonal timescale. Performance metrics, including Percent Bias, Kendall Tau Rank Correlation Score, and models' discrimination capacity, are used for skill evaluation. Our findings indicate that the performance of models varies markedly across regions and seasons. While models generally show good skill in the tropical regions, their skill in extra‐tropical regions is markedly lower. Elevated precipitation thresholds (i.e., higher intensity indices) correlate with heightened model biases, indicating deficiencies in modeling severe precipitation events. Our analysis using an impact‐based framework highlights the superior predictive capabilities of the UK‐Met and Météo‐France models in capturing the underlying processes that drive precipitation events, or lack thereof, across many regions and seasons. Other models exhibit strong performance in specific regions and/or seasons, but not globally. These results advance our understanding of an impact‐based framework in capturing a broad spectrum of extreme weather and climatic events, and inform strategic amalgamation of diverse models across different regions and seasons, thereby offering valuable insights for disaster management and risk analysis.
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) | 0,003 | 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 ».