Downscaling of surface temperature for lake catchment in an arid region in India using linear multiple regression and neural networks
Notice bibliographique
Résumé
Abstract In this paper, downscaling models are developed using a Linear Multiple Regression (LMR) and Artificial Neural Networks (ANNs) for obtaining projections of mean monthly maximum and minimum temperatures ( T max and T min) to lake‐basin scale in an arid region in India. The effectiveness of these techniques is demonstrated through application to downscale the predictands for the Pichola lake region in Rajasthan State in India, which is considered to be a climatically sensitive region. The predictor variables are extracted from: (i) the National Centers for Environmental Prediction (NCEP) reanalysis dataset for the period 1948–2000; and (ii) the simulations from the third‐generation Canadian Coupled Global Climate Model (CGCM3) for emission scenarios A1B, A2, B1, and COMMIT for the period 2001–2100. The scatter‐plots and cross‐correlations are used for verifying the reliability of the simulation of the predictor variables by the CGCM3 and to study the predictor–predictand relationships. The performance of the linear multiple regression and ANN models was evaluated based on several statistical performance indicators. The ANN‐based models are found to be superior to LMR‐based models and subsequently, the ANN‐based model is applied to obtain future climate projections of the predictands. An increasing trend is observed for T max and T min for A1B, A2, and B1 scenarios, whereas no trend is discerned with the COMMIT scenario by using predictors. Copyright © 2011 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 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 | 0,000 | 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 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 ».