MétaCan
Menu
Back to cohort
Record W7065146916

Desempenho do modelo global brasileiro na previsão subsazonal

2019· article· pt· W7065146916 on OpenAlexaboutno aff

Bibliographic record

VenueBiblioteca Digital da Memória Científica do INPE (National Institute for Space Research) · 2019
Typearticle
Languagept
FieldPhysics and Astronomy
TopicMagnetic confinement fusion research
Canadian institutionsnot available
Fundersnot available
KeywordsContext (archaeology)LimitingWork (physics)Term (time)
DOInot available

Abstract

fetched live from OpenAlex

O objetivo deste trabalho é avaliar o desempenho das previsões sub−sazonais do modelo global atmosférico do Centro de Previsão do Tempo e Estudos Climáticos (CPTEC), denominado BAM (Brazilian Atmospheric Model, em inglês). Previsões retrospectivas foram geradas para o período do verão estendido (novembro − março) dos anos 1999/2000 2010/2011. Duas inicializações foram realizadas em cada mês, a primeira no início e a segunda na próxima da metade de cada mês. As previsões retrospectivas foram compostas por um conjunto com um membro controle e dez membros perturbados. A abordagem de perturbação por Funções Ortogonais Empíricas foi usada para a formação dos dez membros perturbados. O desempenho do modelo foi avaliado por meio da correlação e da Raiz do Erro Quadrático Médio (REQM) para as anomalias de precipitação e temperatura do ar (T2M). O desempenho do BAM para a previsão da Oscilação de Madden−Julian (OMJ) foi avaliado por meio da correlação bivariada e do REQM bivariado. Tais métricas também foram calculadas para os modelos dos centros de meteorologia da Austrália (Australian Bureau of Meteorology − BoM), Japonês (Japan Meteorological Agency − JMA), Canadá (Environment and Climate Change Canada − ECCC) e centro europeu (European Centre for Medium−Range Weather Forecasts − ECMWF) com o propósito de determinar qual é o nível da previsão sub−sazonal do CPTEC com relação a outros centros de referência mundiais em meteorologia. Para a média do conjunto das previsões das anomalias de precipitação, observam−se altos valore de correlação durante a primeira semana de previsão e diminuem com o aumento do tempo de previsão. Na quarta semana de previsão, o BAM mantém desempenho moderado sobre as regiões equatoriais dos Oceanos Pacífico e Atlântico. O REQM aumenta com o tempo de previsão principalmente sobre regiões onde a variabilidade sub−sazonal é maior (Oceano índico, Continente Marítimo, zonas de convergência dos Oceanos Pacífico e Atlântico e Zona de Convergência Intertropical). Embora os valores de correlação (REQM) também diminuam (aumentem) com o tempo de previsão, o modelo global do CPTEC apresenta mais habilidade preditiva para anomalias de T2M do que anomalias de precipitação. Como observado no BAM, as características destacadas anteriormente são notadas nos demais modelos estudados. Dentre esses modelos, o do ECMWF é o que apresenta o melhor desempenho para prever as anomalias de precipitação e T2M seguido do JMA. O modelo do CPTEC mostra melhor desempenho do que os modelos do BoM e ECCC na maior parte do globo. Com respeito a OMJ, o BAM mostra um limite de previsões hábeis até o vigésimo dia de previsão, próximo aos modelos do BoM e JMA, os quais apresentam limites de previsão iguais a 25 e 24 dias, respectivamente, e superior ao modelo do ECCC que apresenta limite de 18 dias. Novamente, o modelo do ECMW aparece em destaque com previsões hábeis até 33 dias. Esses resultados são animadores uma vez que mostram que o modelo global do CPTEC está no mesmo patamar que modelos que estão operando de forma rotineira na escala sub−sazonal.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.004
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.265
Threshold uncertainty score0.526

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.004
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0000.000
Scholarly communication0.0010.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.071
GPT teacher head0.366
Teacher spread0.295 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2019
Admission routes1
Has abstractyes

Explore more

Same venueBiblioteca Digital da Memória Científica do INPE (National Institute for Space Research)Same topicMagnetic confinement fusion researchFrench-language works237,207