Ensemble precipitation down-selection methods using Continuous Ranked Probability Score (CRPS): Balancing accuracy and spread under computational constraints
Notice bibliographique
Résumé
        An ensemble down-selection method is proposed to improve the analysis and forecast with a small ensemble,  reducing computational needs. A usual problem with ensemble down-selection is that, despite of the reduction of forecast error, ensemble spread sharply decrease. To limit ensemble spread collapse, this study introduces two variations of a novel down-selection method seeking to minimize the sub-ensemble’s Continuous Ranked Probability Score (CRPS), thereby preserving ensemble spread while minimizing forecast error. The approaches are then tested with a regional-scale model whose precipitation forecast we seek to improve. The precipitation forecast performance of sub-ensembles obtained by these CRPS-based methods is evaluated against the full ensemble, and 100 randomly down-selected sets using various verification metrics measuring precipitation forecast skill. Results demonstrate that the CRPS-based sub-ensembles improve probabilistic forecast accuracy by achieving lower CRPS with the lowest Root Mean Square Error (RMSE) value, especially for short forecasts, without increasing false alarms. Additionally, the Brier Score shows improved forecasts, while Fraction Skill Score (FSS) confirms the improved spatial accuracy in light precipitation. These findings suggest that CRPS-based methods are viable sub-ensembling approaches for balancing accuracy, reliability, and computational efficiency in operational forecasting. By preserving ensemble spread, they improve the sub-ensemble's capacity to represent uncertainty, offering a practical and robust solution for ensemble down-selection.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 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 ».