Prediction of the impact of climate change on drought: an evaluation of six UK catchments using two stochastic approaches
Notice bibliographique
Résumé
Abstract Under future climate scenarios, possible changes of drought patterns pose new challenges for water resources management. For quantifying and qualifying drought characteristics in the UK, the drought severity indices of six catchments are investigated and modelled by two stochastic methods: autoregressive integrated moving average (ARIMA) models and the generalized linear model (GLM) approach. From the ARIMA models, autocorrelation structures are first identified for the drought index series, and the unexplained variance of the series is used to establish empirical relationships between drought and climate variables. Based on the ARIMA results, mean sea level pressure and possibly the North Atlantic Oscillation index are found to be significant climate variables for seasonal drought forecasting. Using the GLM approach, occurrences and amounts of rainfall are simulated with conditioning on climate variables. From the GLM‐simulated rainfall for the 1980s and 2080s, the probabilistic characteristics of the drought severity are derived and assessed. Results indicate that the drought pattern in the 2080s is less certain than for the 1961–1990 period, based on the Shannon entropy, but that droughts are expected to be more clustered and intermittent. The 10th and 50th quantiles of drought are likely higher in the 2080s scenarios, but there is no evidence showing the changes in the 90th quantile extreme droughts. Copyright © 2012 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 | 0,001 | 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) | 0,000 | 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 ».