S2S reboot: An argument for greater inclusion of machine learning in 
subseasonal to seasonal forecasts

Cohen, J.; Coumou, Dim; Hwang, J.; Mackey, L.; Orenstein, P.; Totz, S.; Tziperman, E.

doi:10.1002/wcc.567

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben

Zeitschriftenartikel

S2S reboot: An argument for greater inclusion of machine learning in subseasonal to seasonal forecasts

Urheber*innen

Cohen, J.
Potsdam Institute for Climate Impact Research and Cooperation Partners;

/persons/resource/coumou

Coumou, Dim
Potsdam Institute for Climate Impact Research;

Hwang, J.
Potsdam Institute for Climate Impact Research and Cooperation Partners;

Mackey, L.
Potsdam Institute for Climate Impact Research and Cooperation Partners;

Orenstein, P.
Potsdam Institute for Climate Impact Research and Cooperation Partners;

Totz, S.
Potsdam Institute for Climate Impact Research and Cooperation Partners;

Tziperman, E.
Potsdam Institute for Climate Impact Research and Cooperation Partners;

Externe Ressourcen

Es sind keine externen Ressourcen hinterlegt

Volltexte (frei zugänglich)

8864oa.pdf
(beliebiger Volltext), 5MB

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Cohen, J., Coumou, D., Hwang, J., Mackey, L., Orenstein, P., Totz, S., Tziperman, E. (2019): S2S reboot: An argument for greater inclusion of machine learning in subseasonal to seasonal forecasts. - Wiley Interdisciplinary Reviews: Climate Change, 10, 2, Art. e00567.
https://doi.org/10.1002/wcc.567

Zitierlink: https://publications.pik-potsdam.de/pubman/item/item_23751

Zusammenfassung

Es ist keine Zusammenfassung verfügbar