Assessing regression‐based statistical approaches for downscaling precipitation over North America
Notice bibliographique
Résumé
Abstract This paper assesses linear regression‐based methods in downscaling daily precipitation from the general circulation model (GCM) scale to a regional climate model (RCM) scale (45‐ and 15‐km grids) and down to a station scale across North America. Traditional downscaling experiments (linking reanalysis/dynamical model predictors to station precipitation) as well as nontraditional experiments such as predicting dynamic model precipitation from larger‐scale dynamic model predictors or downscaling dynamic model precipitation from predictors at the same scale are conducted. The latter experiments were performed to address predictability limit and scale issues. The results showed that the downscaling of daily precipitation occurrence was rarely successful at all scales, although results did constantly improve with the increased resolution of climate models. The explained variances for downscaled precipitation amounts at the station scales were low, and they became progressively better when using predictors from a higher‐resolution climate model, thus showing a clear advantage in using predictors from RCMs driven by reanalysis at its boundaries, instead of directly using reanalysis data. The low percentage of explained variances resulted in considerable underestimation of daily precipitation mean and standard deviation. Although downscaling GCM precipitation from GCM predictors (or RCM precipitation from RCM predictors) cannot really be considered downscaling, as there is no change in scale, the exercise yields interesting information as to the limit in predictive ability at the station scale. This was especially clear at the GCM scale, where the inability of downscaling GCM precipitation from GCM predictors demonstrates that GCM precipitation‐generating processes are largely at the subgrid scale (especially so for convective events), thus indicating that downscaling precipitation at the station scale from GCM scale is unlikely to be successful. Although results became better at the RCM scale, the results indicate that, overall, regression‐based approaches did not perform well in downscaling precipitation over North America. Copyright © 2013 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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».