An interpretable machine learning model for seasonal precipitation forecasting
Notice bibliographique
Résumé
Seasonal climate forecasting is important for societal welfare, as it supports decision-makers in taking proactive steps to mitigate risks from adverse climate conditions or to take advantage of favorable ones. Here, we introduce TelNet, a sequence-to-sequence machine learning model for short-to-medium lead seasonal precipitation forecasting. The model takes past seasonal precipitation values and climate indices to predict an empirical precipitation distribution for every grid point of the target region for the next six overlapping seasons. TelNet has a simple encoder-decoder-head architecture, allowing the model to be trained with a limited amount of data, as is often the case in climate forecasting. Its deterministic and probabilistic performance is thoroughly evaluated and compared with state-of-the-art dynamical and deep learning models in a prominent region for seasonal forecasting studies due to its high climate predictability. The training, validation, and test sets are resampled multiple times to estimate the uncertainty associated with a small dataset. The results show that TelNet ranks among the most accurate and calibrated models across multiple initialization months and lead times, especially during the rainy season when the predictable signal is strongest. Moreover, the model allows instance- and lead-wise forecast interpretation through its variable selection weights. TelNet, an interpretable machine learning model, demonstrates superior accuracy and calibration in seasonal precipitation forecasting, particularly during the rainy season, according to its use of a sequence-to-sequence model that predicts precipitation distribution based on past values and climate indices.
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 | 0,001 | 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 ».