The WWRP/WCRP S2S Project and Its Achievements
Notice bibliographique
Résumé
Abstract The World Weather Research Programme (WWRP)/World Climate Research Programme (WCRP) Subseasonal to Seasonal (S2S) Prediction project was launched in 2013 with the primary goals of improving forecast skill and understanding sources of predictability on the subseasonal time scale (from 2 weeks to a season) around the globe. Particular emphasis was placed on high-impact weather events, on developing coordination among operational centers, and on promoting the use of subseasonal forecasts by the application communities. This 10-yr project ended in December 2023. A key accomplishment was the establishment of a database of subseasonal forecasts, called the S2S database. This database enhanced collaboration between the research and operational communities, enabled studies on a wide range of topics, and contributed to significant advances toward a better understanding of subseasonal predictability and windows of opportunity that contributed to improvements in forecast skill. It was used to train machine learning methods and test their performance in the S2S artificial intelligence/machine learning (AI/ML) prize challenge. The S2S project coorganized several coordinated research experiments to advance understanding of subseasonal predictability and the Real-Time Pilot Initiative that provided real-time access to subseasonal data for 15 application projects. A sequence of training courses sustained over 10 years enhanced the capacity of national meteorological services in the Global South to make subseasonal forecasts. A major legacy of the S2S project was the establishment and designation of the World Meteorological Organization (WMO) Global Producing Centres and Lead Centre for Subseasonal Prediction Multi-Model Ensemble, which will provide real-time subseasonal multimodel ensemble (MME) products to national and regional meteorological services. Significance Statement There is a growing interest in the research and application communities for subseasonal forecasts which cover the time range from 2 weeks to a season and fill the gap between medium-range weather and long-range seasonal forecasts. Skillful subseasonal prediction provides an important opportunity to inform decision-makers of, for example, changes in risks of extreme events or opportunities for optimizing resource management decisions. The WWRP/WCRP S2S project, mostly through the development of a large dataset of subseasonal ensemble predictions, known as the S2S database, helped improve our understanding of subseasonal predictability and the performance of state-of-the-art subseasonal prediction models and multimodel ensembles.
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 | 0,017 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,016 |
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 ».