Sensitivity of the Statistical DownScaling Model (SDSM) to reanalysis products
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Numerous general circulation models (GCMs) have been designed by climate centres to predict future climate. An outstanding issue with the use of GCM output for local applications is the coarse spatial resolution. To produce accurate daily predictions of future climate variables at the regional scale, the Statistical DownScaling Model (SDSM) is a commonly used downscaling technique. The SDSM statistically identifies relationships between large‐scale predictors (i.e., GCM) and local‐scale predictands, using a multiple linear regression model. Reanalyses, such as those produced by the National Centers for Environmental Prediction/National Center for Atmospheric Research (NCEP/NCAR) and the European Centre for Medium‐range Weather Forecasts (ECMWF), are important components for the structuring of the SDSM as they supply the predictor values for the calibration and validation of the model. It is well known that the reanalysis products contain biases which may subsequently affect the development of downscaling scenarios when used with the SDSM. In this paper, separate downscaled precipitation and temperature scenarios were generated using the SDSM with the calibrations and validations derived from two different reanalyses for a climate station in southern Ontario. From these comparisons, we have identified statistically significant differences between the two time series. Therefore, it is clear that choice of the reanalysis used to calibrate the SDSM can significantly affect the downscaled scenario over a region evaluated in southern Ontario.
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.
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 découle