Subseasonal Prediction Skill of Winter Quasi‐Stationary Waves in the Northern Hemisphere
Notice bibliographique
Résumé
Abstract Quasi‐stationary Rossby waves modulate persistent (lasting days to weeks) atmospheric ridges and troughs, and can lead to extreme weather events, particularly in the midlatitudes. Due to their persistent nature, these quasi‐stationary waves (QSWs) provide a unique opportunity to improve subseasonal forecasts of extreme events. Here, we evaluate the skill of the ECMWF dynamical subseasonal‐to‐seasonal (S2S) forecast model to forecast QSWs in Northern Hemisphere winter. The model shows spatially varying prediction skill, with the North Pacific region showing the highest skill across all lead times studied (7–35 days). We find very large interannual and intraseasonal variability in the subseasonal skill of this North Pacific region. The interannual variability is statistically consistent across different S2S models, indicating that physical conditions varying from year to year influence the prediction skill. Further investigation shows improvements in the S2S skill under certain phases of the Madden‐Julian oscillation (MJO), under La Niña ocean conditions, during the westerly phase of the quasi‐biennial oscillation (QBO), and following the onset of sudden stratospheric warmings (SSWs). These identified conditions may be windows of opportunity for better S2S QSW forecast skill. Our results indicate that although the S2S skill of QSWs is low, there is potential to utilize natural modes of variability to better capture uncertainty of model outputs and identify times when skill is likely to be higher.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».