Skill of monthly and seasonal forecasts using a Canadian general circulation model
Bibliographic record
Abstract
Une analyse de la co-variabilité entre la température de l'air au sol (SAT) ainsi que les précipitations en Amérique du Nord et la température de l'océan Pacifique à la surface (SST), a été faite en utilisant la méthode SVD. Le mode dominant de la SVD a révélé une relation forte entre les anomalies de la SST du mois de novembre et celles de la SAT et des précipitations hivernales. Ce lien est beaucoup plus faible en été. Le modèle GCM3 reproduit assez bien la réponse au forçage de la SST, particulièrement sur les patrons de la SAT, mais sa réponse est beaucoup moins précise en été. Les prévisions mensuelles et saisonnières de GCM3 ont aussi été analysées. Les capacités de GCM3 à prévoir les précipitations sont faibles, surtout en été où le forçage de la SST est aussi faible. De plus, le modèle ne possède pas d'habiletés notables à prédire les sécheresses dans les prairies Canadiennes. Par contre, les capacités prévisionnelles du modèle concernant la SAT et le géopotentiel à 500 hPa sont généralement assez élevées, particulièrement en hivers. Les habiletés de GCM3 sont concentrées dans le premier mois de la période de prévision, puis déclinent lorsque le délai d'émission est prolongé.
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 imitationNot 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.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".