Snow water equivalent time‐series forecasting in Ontario, Canada, in link to large atmospheric circulations
Notice bibliographique
Résumé
Abstract The present study applies different time‐series models for forecasting daily and monthly snow water equivalent (SWE) data in Ontario, Canada, during 1987–2011. For daily time series, which showed a significant negative trend, four categories of the autoregressive moving‐average (ARMA) and ARMA model with exogenous variables (ARMAX) were applied. The North Atlantic Oscillation, Southern Oscillation Index and Pacific/North American Pattern, as large‐scale atmospheric anomalies, as well as temperature time series are considered as exogenous variables for ARMAX models. According to the multicriteria performance evaluation, a time‐trend ARMAX model demonstrated the best performance for modelling and forecasting daily SWE. Two models, seasonal autoregressive integrated moving average (SARIMA) and SARIMA with exogenous variables (SARIMAX), were also fitted to the monthly SWE time series. The results revealed that the SARIMAX model showed a better performance than the SARIMA model according to multicriteria evaluation. The three nonparametric tests, Wilcoxon, Levene and Kolmogorov–Smirnov for forecasting evaluation demonstrated that the selected time‐series models had enough reliability for short‐term SWE forecasting in Ontario. The results of this study also demonstrate the importance of incorporating both trend and appropriate exogenous variables for SWE time‐series modelling and forecasting. Copyright © 2014 John Wiley & Sons, Ltd.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».