Downscaling precipitation to river basin in India for IPCC SRES scenarios using support vector machine
Notice bibliographique
Résumé
This paper presents a methodology to downscale monthly precipitation to river basin scale in Indian context for special report of emission scenarios (SRES) using Support Vector Machine (SVM). In the methodology presented, probable predictor variables are extracted from (1) the National Center for Environmental Prediction (NCEP) reanalysis data set for the period 1971–2000 and (2) the simulations from the third generation Canadian general circulation model (CGCM3) for SRES emission scenarios A1B, A2, B1 and COMMIT for the period 1971–2100. These variables include both the thermodynamic and dynamic parameters and those which have a physically meaningful relationship with the precipitation. The NCEP variables which are realistically simulated by CGCM3 are chosen as potential predictors for seasonal stratification. The seasonal stratification involves identification of (1) the past wet and dry seasons through classification of the NCEP data on potential predictors into two clusters by the use of K-means clustering algorithm and (2) the future wet and dry seasons through classification of the CGCM3 data on potential predictors into two clusters by the use of nearest neighbour rule. Subsequently, a separate downscaling model is developed for each season to capture the relationship between the predictor variables and the predictand. For downscaling precipitation, the predictand is chosen as monthly Thiessen weighted precipitation for the river basin, whereas potential predictors are chosen as the NCEP variables which are correlated to the precipitation and are also realistically simulated by CGCM3. Implementation of the methodology presented is demonstrated by application to Malaprabha reservoir catchment in India which is considered to be a climatically sensitive region. The CGCM3 simulations are run through the calibrated and validated SVM downscaling model to obtain future projections of predictand for each of the four emission scenarios considered. The results show that the precipitation is projected to increase in future for almost all the scenarios considered. The projected increase in precipitation is high for A2 scenario, whereas it is least for COMMIT scenario. Copyright © 2007 Royal Meteorological Society
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».