Prévisions météorologiques par régression non-paramétrique bayésienne basée sur le modèle PPMx spatio-temporel
Notice bibliographique
Résumé
Ce mémoire présente un modèle de régression bayésien non-paramétrique spatiotemporel basé sur le modèle PPMx, introduit par Quintana et al. (2011), avec l’ajout d’effets aléatoires. On surnomme ce modèle STPPMx, développé dans le contexte de prévisions météorologiques. On se concentre principalement sur les ensembles de prévisions numériques du temps (PNT) émises par des modèles physiques à partir d’un ensemble de conditions météorologiques initiales. Le modèle STPPMx est comparé à d’autres modèles de régressions alternatifs pour le post-traitement statistique, qui consiste dans notre cas à fournir une densité prédictive capable de potentiellement émettre des prévisions mieux calibrées et plus précises que les prévisions PNT. L’avantage du modèle STPPMx est qu’il permet de former des grappes spatio-temporelles parmi les observations selon la similarité entre leurs covariables, en plus d’offrir une grande flexibilité dans la modélisation de la corrélation spatio-temporelle. La similarité entre les modèles STPPMx et les modèles de mélanges par processus de Dirichlet (DPMM) permet de facilement implémenter des algorithmes de Monte-Carlo par chaînes de Markov (MCMC) développés pour les DPMM afin d’effectuer l’échantillonnage à postériori et l’estimation de la densité prédictive du modèle STPPMx, notamment grâce au schéma de Black-MacQueen. L’algorithme 8 de Neal (2000) a été considéré afin de pouvoir mener l’inférence prédictive avec des distributions à priori conjuguées et nonconjuguées. On compare la performance prédictive entre le modèle STPPMx et des modèles alternatifs dans deux cas de simulation où on génère des données en grappes et corrélées spatio-temporellement, ainsi que dans une application à des données climatologiques et des prévisions PNT provenant de plusieurs stations géographiques réparties en Europe centrale à travers le temps. Le code pour le modèle est implémenté en C++ et R et est disponible au grand public.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».