Evaluation of Linear and Non-Linear Downscaling Methods in Terms of Daily Variability and Climate Indices: Surface Temperature in Southern Ontario and Quebec, Canada
Notice bibliographique
Résumé
We downscaled atmospheric reanalysis data using linear regression and Bayesian neural network (BNN) ensembles to obtain daily maximum and minimum temperatures at ten weather stations in southern Quebec and Ontario, Canada. Performance of the linear and non-linear downscaling models was evaluated using four different sets of predictors, not only in terms of their ability to reproduce the magnitude of day-to-day variability (i.e., “weather,” mean absolute error between the daily values of the predictand(s) and the downscaled data) but also in terms of their ability to reproduce longer time scale variability (i.e., “climate,” indices of agreement between the predictand's observed annual climate indices and the corresponding downscaled values). The climate indices used were the 90th percentile of the daily maximum temperature, 10th percentile of the daily minimum temperature, number of frost days, heat wave duration, growing season length, and intra-annual temperature range.Our results show that the non-linear models usually outperform their linear counterparts in the magnitude of daily variability and, to a greater extent, in annual climate variability. In particular, the best model simulating weather and climate was a BNN ensemble using stepwise selection from 20 reanalysis predictors, followed by a BNN ensemble using the three leading principal components from the aforementioned predictors. Finally, we showed that, on average, the first three indices presented higher skills than the growing season length, number of frost days, and the heat wave duration.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».