Enhancing machine learning-based seasonal precipitation forecasting using CMIP6 simulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The limited availability of observational and reanalysis data presents a significant challenge in training machine learning (ML) models for seasonal climate forecasting. Here, we show that training ML-based seasonal forecasting models with a larger number of individual simulations from CMIP6 models enhances their generalization ability and improves precipitation forecasts over South America. Using TelNet, a sequence-to-sequence machine learning model, we assess the performance of models trained with different numbers of CMIP6 simulations compared to those trained with ERA5 reanalysis and the CMIP6 ensemble mean. The results reveal that models trained with only a few CMIP6 simulations perform worse than those trained with ERA5, primarily due to instability during ML model tuning and reduced generalization ability. However, as the number of CMIP6 models increases, performance improves and surpasses both ERA5- and ensemble-mean-based ML models. Reliability and sharpness diagrams analysis further demonstrate that ML models trained with more CMIP6 simulations yield more confident and calibrated forecasts. Moreover, CMIP6-based TelNet constantly outperformed state-of-the-art dynamical models across different initialization months and lead times. This study underscores the potential of leveraging large multi-model dynamical simulations for robust ML-based seasonal climate forecasting. • Data Limitation Challenge: ML models struggle due to limited observational and reanalysis climate data. • Benefit of Using Many Simulations: Training on many CMIP6 simulations improves ML accuracy, surpassing ERA5 or ensemble models. • Improved Reliability and Performance: More CMIP6 simulations yield confident, well-calibrated forecasts that beat leading dynamical models.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 découle