Buchumschlag

A generalisation of the signal-to-noise ratio using proper scoring rules

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bröcker, Jochen, Bach, Eviatar
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Applications Atmospheric and Oceanic Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

scores: A Python package for verifying and evaluating models and predictions with xarray
von: Leeuwenburg, Tennessee, et al.
Veröffentlicht: (2024)

EnScale: Temporally-consistent multivariate generative downscaling via proper scoring rules
von: Schillinger, Maybritt, et al.
Veröffentlicht: (2025)

Forecast error growth: A dynamic-stochastic model
von: Bach, Eviatar, et al.
Veröffentlicht: (2024)

Probabilistic storyline attribution using machine learning
von: Loer, Frieder, et al.
Veröffentlicht: (2026)

Causal Feedback Discovery using Convergence Cross Mapping on Sea Ice Data
von: Nji, Francis, et al.
Veröffentlicht: (2025)

Prediction of Drought and Flash Drought in Africa at the Seasonal-to-Subseasonal Scale using the Community Research Earth Digital Intelligence Twin Framework
von: Edris, Stuart, et al.
Veröffentlicht: (2026)

Possible, Yes; Ignorant, Perhaps: A Scorecard for Possibilistic Forecasts
von: Lawson, John R.
Veröffentlicht: (2026)

A Multi-Tiered Bayesian Network Coastal Compound Flood Analysis Framework
von: Liu, Ziyue, et al.
Veröffentlicht: (2025)

WOMBAT v2.S: A Bayesian inversion framework for attributing global CO$_2$ flux components from multiprocess data
von: Jacobson, Josh, et al.
Veröffentlicht: (2025)

From Winter Storm Thermodynamics to Wind Gust Extremes: Discovering Interpretable Equations from Data
von: Tam, Frederick Iat-Hin, et al.
Veröffentlicht: (2025)

Operational convection-permitting COSMO/ICON ensemble predictions at observation sites (CIENS)
von: Lerch, Sebastian, et al.
Veröffentlicht: (2025)

Changes over time in the 100-year return value of climate model variables
von: Leach, Callum, et al.
Veröffentlicht: (2025)

Probabilistic modelling of atmosphere-surface coupling with a copula Bayesian network
von: Mack, Laura, et al.
Veröffentlicht: (2025)

Predicting temperatures in Brazilian states capitals via Machine Learning
von: da Silva, Sidney T., et al.
Veröffentlicht: (2025)

Machine learning-based correlation analysis of decadal cyclone intensity with sea surface temperature: data and tutorial
von: Wu, Jingyang, et al.
Veröffentlicht: (2025)

Capability demonstration of a JEDI-based system for TEMPO assimilation: system description and evaluation
von: Abdi-Oskouei, Maryam, et al.
Veröffentlicht: (2025)

Bridging CORDEX and CMIP6: Machine Learning Downscaling for Wind and Solar Energy Droughts in Central Europe
von: Effenberger, Nina, et al.
Veröffentlicht: (2025)

Post-processing of wind gusts from COSMO-REA6 with a spatial Bayesian hierarchical extreme value model
von: Ertz, Philipp, et al.
Veröffentlicht: (2025)

Concept drift of simple forecast models as a diagnostic of low-frequency, regime-dependent atmospheric reorganisation
von: Zhou, Haokun
Veröffentlicht: (2025)

Quantifying the Effect of a Parallax Correcting Algorithm for Passive Microwave Satellite Precipitation Retrievals across the Continental United States
von: Monsalve, Andres F., et al.
Veröffentlicht: (2025)

Functional data decomposition reveals unexpectedly strong soil moisture-precipitation coupling over the Great Plains
von: Gao, Yifu, et al.
Veröffentlicht: (2025)

Pattern change of precipitation extremes in Bear Island
von: Ray, Arnob, et al.
Veröffentlicht: (2023)

Uncertainty in wind and solar projections depends on global and regional climate models
von: Effenberger, Nina, et al.
Veröffentlicht: (2026)

The impact of the spatial resolution of wind data on multi-decadal wind power forecasts in Germany
von: Morelli, Sofia
Veröffentlicht: (2024)

Predicting Coastal Water Levels in the Context of Climate Change Using Kolmogorov-Zurbenko Time Series Analysis Methods
von: Loneck, Barry, et al.
Veröffentlicht: (2024)

Analysis of Full-scale Riser Responses in Field Conditions Based on Gaussian Mixture Model
von: Wu, Jie, et al.
Veröffentlicht: (2024)

Comparison of Model Output Statistics and Neural Networks to Postprocess Wind Gusts
von: Primo, Cristina, et al.
Veröffentlicht: (2024)

Physics-based vs. data-driven 24-hour probabilistic forecasts of precipitation for northern tropical Africa
von: Walz, Eva-Maria, et al.
Veröffentlicht: (2024)

Estimating changes in extreme quantiles over time, applied to desert temperatures
von: Leach, Callum, et al.
Veröffentlicht: (2026)

Bayesian Inference for Stochastic Predictions of Non-Gaussian Systems with Applications in Climate Change
von: Tong, Yunjin
Veröffentlicht: (2024)

Predictability of climate tipping focusing on the internal variability of the Earth system
von: Kubo, Amane, et al.
Veröffentlicht: (2024)

Modeling the Sea-Level Change from U.S. Vehicle Emissions
von: Wong, Tony
Veröffentlicht: (2026)

STIPP: Space-time in situ postprocessing over the French Alps using proper scoring rules
von: Landry, David, et al.
Veröffentlicht: (2026)

Extending the blended generalized extreme value distribution
von: Krakauer, Nir Y.
Veröffentlicht: (2024)

covXtreme : MATLAB software for non-stationary penalised piecewise constant marginal and conditional extreme value models
von: Towe, Ross, et al.
Veröffentlicht: (2023)

A hypothesis on ergodicity and the signal-to-noise paradox
von: Brener, Daniel J.
Veröffentlicht: (2023)

MERCURY: A fast and versatile multi-resolution based global emulator of compound climate hazards
von: Nath, Shruti, et al.
Veröffentlicht: (2024)

Spatiotemporal Forecasting in Climate Data Using EOFs and Machine Learning Models: A Case Study in Chile
von: Herrera, Mauricio, et al.
Veröffentlicht: (2025)

A 10,000-Year Global Stochastic Tropical Cyclone Catalog with Wind-Dependent Track Transitions (WHITS)
von: Nakamura, Jennifer, et al.
Veröffentlicht: (2026)

A Study on Monthly Marine Heatwave Forecasts in New Zealand: An Investigation of Imbalanced Regression Loss Functions with Neural Network Models
von: Ning, Ding, et al.
Veröffentlicht: (2025)