Selecting Observationally Constrained Global Climate Model Ensembles Using Autoencoders and Transfer Learning
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
Abstract Climate modes of variability are recurring patterns that influence climate phenomena across spatial scales. Accurately representing these modes in Global Climate Models (GCMs) is crucial for assessing model performance and reducing uncertainty in future climate projections. In this study, we present a novel approach utilizing autoencoder neural networks (AEs) combined with transfer learning to evaluate the representation of monthly sea level pressure (SLP) modes over North America across five GCMs: the Geophysical Fluid Dynamics Laboratory Climate Model (GFDL‐CM4), Centro Euro‐Mediterraneo sui Cambiamenti Climatici Climate Model (CMCC‐CM2‐SR5), Canadian Earth System Model Version 5 (CanESM5), Institut Pierre‐Simon Laplace Climate Model (IPSL‐CM6A‐LR), and Hadley Center Global Environment Model Version 3 (HadGEM3‐GC31‐LL). We derived the reference regional SLP modes using autoencoders (AE) from the European Center for Medium‐Range Weather Forecasts Reanalysis (ERA5), capturing more physically consistent SLP patterns. Transfer learning was employed to adapt the pre‐trained AE, from ERA5 to the GCM outputs, enabling a direct and robust evaluation of each model’s ability to produce the observationally constrained SLP modes. This approach allowed us to rank the GCMs based on how well they replicated the reference SLP modes, providing an observationally constrained assessment of model performance. The congruence coefficients between the modeled and reference modes exceeded 0.91 for all GCMs, demonstrating strong performance in simulating regional SLP modes over North America. Among the models, HadGEM3‐GC31‐LL achieved the highest performance with an average congruence coefficient of 0.94. These results highlight the effectiveness of neural network techniques in evaluating and ranking GCMs for model intercomparison projects.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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