Season‐Net: A Deep Learning Framework for Bias Correction of Seasonal Forecasting Models
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
Abstract Seasonal climate forecasts play a crucial role in decision‐making across sectors like agriculture, energy, and disaster management. However, these forecasts often exhibit spatially structured biases that undermine their reliability, but this structure also enables more effective bias correction, particularly improving performance in predicting temperature extremes. Traditional bias correction methods such as quantile mapping (QM) and linear scaling (LS) are limited by assumptions of stationarity and their inability to capture complex spatiotemporal patterns. To address these challenges, we introduce Season‐Net, a hybrid deep learning framework combining U‐Net and ConvLSTM architectures. Season‐Net is used to perform bias correction on seasonal daily temperature forecasts from the Met Office (GloSea6) and Météo‐France (System 8) by learning season‐specific spatial and temporal dependencies in a unified architecture. The model is trained with a novel sliding‐window quantile mapping loss function that introduces temporal awareness into the quantile mapping process, enhancing its ability to capture temperature distribution and evolution. Evaluations across North America and Africa show that Season‐Net consistently outperforms QM and LS in both deterministic (e.g., RMSE and Kendall's Tau) and probabilistic (e.g., Brier skill score and CRPSS) metrics. Furthermore, Season‐Net excels in impact‐based evaluations, significantly improving the prediction of extreme temperature events. These results highlight the superior capability of deep learning methods in correcting spatially structured seasonal forecast biases and enhancing the utility of climate predictions for climate‐sensitive applications. Season‐Net offers a promising pathway for advancing seasonal forecast postprocessing with high accuracy and impact relevance.
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 | 0,003 |
| 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 | 0,001 |
| 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 découle