Stochastic Multisite Generation of Daily Precipitation Data Using Spatial Autocorrelation
Notice bibliographique
Résumé
Abstract There are a number of stochastic models that simulate weather data required for various water resources applications in hydrology, agriculture, ecosystem, and climate change studies. However, many of them ignore the dependence between station locations exhibited by the observed meteorological time series. This paper proposes a multisite generation approach of daily precipitation data based on the concept of spatial autocorrelation. This theory refers to spatial dependence between observations with respect to their geographical adjacency. In hydrometeorology, spatial autocorrelation can be computed to describe daily dependence between the weather stations through the use of a spatial weight matrix, which defines the degree of significance of the weather stations surrounding each observation. The methodology is based on the use of the spatial moving average process to generate spatially autocorrelated random numbers that will be used in a stochastic weather generator. The resulting precipitation processes satisfy the daily spatial autocorrelations computed using the observed data. Monthly relationships between the spatial moving average coefficients and daily spatial autocorrelations of the precipitation processes have been developed to find the spatial moving average coefficients that reproduce the observed daily spatial autocorrelations in the synthetic precipitation processes. To assess the effectiveness of the proposed methodology, seven stations in the Peribonca River basin in the Canadian province of Quebec were used. The daily spatial autocorrelations of both precipitation occurrences and amounts were adequately reproduced, as well as the total monthly precipitations, the number of rainy days per month, and the daily precipitation variance. Using appropriate weight matrices, the proposed multisite approach permits one not only to reproduce the spatial autocorrelation of precipitation between the set of stations, but also the interstation correlation of precipitation between each pair of stations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».