Stochastic simulation of rainfall in the semi‐arid Limpopo basin, Botswana
Notice bibliographique
Résumé
Abstract The application of spatial‐temporal stochastic rainfall models to semi‐arid or arid areas is expected to be particularly challenging because of the high variability of rainfall, sparse rain gauge networks with significant periods of missing rainfall and potential data quality issues. In this article, a generalized linear model (GLM) has been fitted to daily rainfall data from the period 1975–1999 for 13 gauges in a 7660 km 2 sub‐basin of the Limpopo basin in Botswana, with the objective of exploring applicability of the GLM for infilling historic records and for climate change analysis. Several relevant statistics of rainfall space‐time variability were used to analyse model performance, including use of an independent validation period and sites that were not used in the fitting. The GLM was considered to simulate rainfall adequately for the purpose of sub‐basin‐scale water resource studies, although the model uncertainty is high. The main factors affecting rainfall space‐time variability were found to be seasonality, autocorrelation of daily rainfall, altitude, latitude and longitude. Addition of large‐scale drivers of rainfall (pressure, humidity and temperature) further improved representation of inter‐annual variability, and this link to large‐scale climate potentially facilitates downscaling of global climate model outputs. Although the model was locally sensitive to data quality issues, there was no evidence that these issues affected sub‐basin scale analysis. 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 | 0,001 | 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 | 0,001 | 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 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 ».