A Model‐Independent Strategy for the Targeted Observation Analysis and Its Application in ENSO Prediction
Notice bibliographique
Résumé
Abstract The model‐dependency has been a challenging issue for traditional data assimilation‐based targeted observational method. This study developed a new strategy to address this challenge using multiple‐model prediction ensemble. It was found that while the ensemble size reaches a sufficiently large number the optimal observational sites detected tend to stable and model‐independent. This new finding answers the long‐standing challenge question on the model dependence in targeted observational analysis, offering an efficient and objective way to identify optimal observational sites. With this strategy, we designed an optimal observational array in the tropical Pacific for the El Niño‐Southern Oscillation (ENSO) prediction using the multiple historical simulation data sets from Coupled Model Intercomparison Project Phase 6 and reanalysis data sets. Sensitive experiments show that while number of data sets reaches 12, a robust optimal observational array is obtained. The first 10 optimal observational sites, mostly located in the equatorial central eastern Pacific, can reduce initial uncertainties by 67%. This was further confirmed by the observation system simulation experiments, which is implemented by the Ensemble Adjustment Kalman Filter assimilation system developed in the Community Earth System Model. This newly developed model‐independent strategy makes it feasible to design a robust oceanic observational network for ENSO prediction even using the current targeted observational algorithm, well serving the goal of international Tropical Pacific Observation System 2020 project.
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 | 0,001 | 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 | 0,000 | 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) | 0,000 | 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 ».