An Analysis Of The Predictability Of The February 2021 Cold Air Outbreak At S2S Timescales
Notice bibliographique
Résumé
The February 2021 cold air outbreak (CAO) brought long-lasting, freezing temperatures and extreme winter weather to the United States and Canada. The event resulted in major societal and economic impacts, including millions of power outages, hundreds of fatalities, and approximately $25 billion in losses. This thesis first analyzes the synoptic evolution of this CAO in order to explain how Arctic air arrived and stalled over central North America. Given the synoptic context, the analysis next considers the subseasonal-to-seasonal (S2S) predictability of this CAO by examining S2S ensemble model predictions from both high-top and low-top models. The S2S predictability analysis is motivated by the idea that processes and variability in the stratosphere, such as sudden stratospheric warmings (SSWs) and stratospheric wave reflection events, can play a significant role in the large-scale evolution and development of CAOs. Given the potential influence of the stratosphere, high-top and low-top forecast data are compared to determine if models that better resolve the stratosphere were able to predict the high impact nature of the CAO with longer lead times. The results suggest that the high-top models did better at predicting both the onset date and the duration of the CAO at S2S lead-times (i.e., week 3 and 4) but did not outperform the low-top models at synoptic time scales (i.e., week 2). The results highlight the importance of resolving the stratosphere to best realize the S2S prediction windows-of-opportunity that result from stratospheric variability.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».