Predictability of Sea Surface Temperature Anomaly of the Eastern Indian Ocean Over Past 142 Years
Notice bibliographique
Résumé
Abstract This study studies the predictability of the sea surface temperature anomaly (SSTA) for the eastern Indian Ocean (EIO) over the past 142 years from 1880–2021 by exploring its fastest error growth. This is implemented by applying the climate‐relevant singular vector (CSV) analysis onto a tropical intermediate coupled model. Emphasis places on identifying the optimal perturbation that can result in the fastest prediction error growth of the EIO SSTA. It is found that, with the 6‐month lead prediction, the spatial pattern of the optimal initial perturbations is characterized by a negative SSTA pole with the diverged surface wind in the southern Indian Ocean and a positive SSTA pole with the converged surface wind in the eastern Pacific. The growth rate of optimal initial perturbation, as measured by the leading singular value, exhibits significant interannual variation consistent with the variation of the SSTA in EIO. Specifically, when the SSTA in the EIO is colder, the prediction error grows more rapidly, and conversely, when the SSTA is warmer, the error grows more slowly. The results of the dynamical analysis show that a cold SSTA background strengthens Ekman feedback through both atmospheric and oceanic responses, leading to faster growth of prediction errors. This study enhances our understanding to the predictability in the Indian Ocean, in particular the role of EIO in the Indian Ocean dipole predictability.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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 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 ».