Variation analysis of precipitation during past 286 years in Beijing area, China, using non‐parametric test and wavelet analysis
Notice bibliographique
Résumé
Abstract Non‐parametric methods including Mann–Kendall (M–K) test, continuous wavelet transform (CWT) and discrete wavelet transform analysis are applied in this paper to detect the trend and periodic trait of precipitation data series in Beijing area where the data set spans nearly 300 years from 1724 to 2009. First, the trend of precipitation variables is elaborated by the M–K test (Sequential M–K test). The results show that there is an increasing trend (the value of this trend is 1.98) at the 5%‐significance level and there are not turning points in the whole data series. Then, CWT and wavelet variance are used to check for significant periodic characteristics of data series. In the plots of wavelet transform coefficients and figure of wavelet variance, some periodic events affect the trend of the annual total precipitation series in Beijing area. 85‐year, 35‐year and 21‐year periodic events are found to be the main periodic series of long‐term precipitation data, and they are all statistically significant. Moreover, the results of non‐parametric M–K test are exhibited on seven different combinations of discrete wavelet components. D5 (32‐year periodicity) periodic component is the effective and significant component on data. It is coincident with the result (35‐year periodic event as one part of main periodicity) by using CWT analysis. Moreover, approximation mode shows potential trend of the whole data set because it is the residuals as all periodicities are removed from data series. Thus, the mode A + D5 is responsible for producing a real basic structure of the trend founded on the data. 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| 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 ».