Representing Extremes in a Daily Gridded Precipitation Analysis over the United States: Impacts of Station Density, Resolution, and Gridding Methods
Notice bibliographique
Résumé
Abstract This study focuses on errors in extreme precipitation in gridded station products incurred during the upscaling of station measurements to a grid, referred to as representativeness errors. Gridded precipitation station analyses are valuable observational data sources with a wide variety of applications, including model validation. The representativeness errors associated with two gridding methods are presented, consistent with either a point or areal average interpretation of model output, and it is shown that they differ significantly (up to 30%). An experiment is conducted to determine the errors associated with station density, through repeated gridding of station data within the United States using subsequently fewer stations. Two distinct error responses to reduced station density are found, which are attributed to differences in the spatial homogeneity of precipitation distributions. The error responses characterize the eastern and western United States, which are respectively more and less homogeneous. As the station density decreases, the influence of stations farther from the analysis point increases, and therefore, if the distributions are inhomogeneous in space, the analysis point is influenced by stations with very different precipitation distributions. Finally, ranges of potential percent representativeness errors of the median and extreme precipitation across the United States are created for high-resolution (0.25°) and low-resolution areal averaged (0.9° lat × 1.25° lon) precipitation fields. For example, the range of the representativeness errors is estimated, for annual extreme precipitation, to be from +16% to −12% in the low-resolution data, when station density is 5 stations per 0.9° lat × 1.25° lon grid box.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».