Multi-site precipitation downscaling via an expanded conditional density network
Notice bibliographique
Résumé
Abstract Statistical downscaling models are used to estimate weather data at a station or stations based on atmospheric circulation data defined at a coarser resolution, for example gridded outputs from a Global Climate Model (GCM). Downscaled data can be used as inputs to environmental models that require finer-scale climate fields than are currently available from GCMs. Maintaining realistic downscaling relationships between sites and variables is particularly important in hydrological models, as streamflow depends strongly on the spatial distribution of precipitation in a watershed and on interactions with temperature that determine whether precipitation falls as rain or snow. More generally, precipitation is a difficult variable to downscale because of its non-normal distribution and its spatial and temporal patchiness.A downscaling algorithm for daily precipitation series at multiple stations is presented. The expanded conditional density network (ECDN) models the conditional density of the Poisson-gamma distribution via an artificial neural network. ECDN is capable of (1) specifying the conditional distribution of precipitation at each site; (2) modeling occurrence and amount of precipitation simultaneously; (3) reproducing observed spatial relationships between sites; (4) randomly generating synthetic precipitation series; and (5) predicting precipitation amounts in excess of those in the observational record. The ECDN model is applied to two downscaling problems: the first is a benchmark precipitation downscaling task previously evaluated by other modeling groups; the second is a multi-site precipitation dataset from British Columbia, Canada. Results suggest that the ECDN approach is capable of generating spatially and temporally realistic precipitation series that are suitable for use as inputs to hydrological models or to spatial interpolation schemes.
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 | 0,002 | 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 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».