Subseasonal Prediction Skill of Winter Quasi-Stationary Waves in the Northern Hemisphere
Notice bibliographique
Résumé
Quasi-stationary Rossby waves (QSWs) modulate persistent (lasting days to weeks) atmospheric ridges and troughs, and can lead to extreme weather events, particularly in the midlatitudes. Due to their persistent nature, QSWs provide a unique opportunity to improve subseasonal forecasts of extreme events. Here, we evaluate the forecast skill of weather models in the Northern Hemisphere (NH) winter QSWs in the ECMWF dynamical subseasonal-to-seasonal (S2S) forecast model against ERA5 reanalysis data. The model shows varying prediction skill, as expected, with skill declining as the lead time increases. The North Pacific region shows the highest skill across all lead times studied (7 to 35 days). Further investigation shows an effect of a La-Nina like sea surface temperature (SST) pattern on North Pacific QSWs, which the model is able to reproduce. We find very large inter-annual variability in the subseasonal skill of the North Pacific region. This inter-annual variability of skill is not captured by variability in the ensemble spread, i.e. more skillful years do not have more certain forecasts. The annual time-series of aggregated subseasonal skill shows consistency between different S2S models, indicating that the aggregated annual skill may be partially driven by a physical forcing. We find strong correlations between aggregated subseasonal skill and SSTs, upper troposphere zonal winds, and waveguides. Overall, the results indicate that although the S2S skill of QSWs is currently low in forecast models, there is potential to utilize natural modes of variability to better capture uncertainty of model outputs.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».