A Synoptic Weather Typing Approach to Simulate Daily Rainfall and Extremes in Ontario, Canada: Potential for Climate Change Projections
Notice bibliographique
Résumé
Abstract An automated synoptic weather typing and stepwise cumulative logit/nonlinear regression analyses were employed to simulate the occurrence and quantity of daily rainfall events. The synoptic weather typing was developed using principal component analysis, an average linkage clustering procedure, and discriminant function analysis to identify the weather types most likely to be associated with daily rainfall events for the four selected river basins in Ontario. Within-weather-type daily rainfall simulation models comprise a two-step process: (i) cumulative logit regression to predict the occurrence of daily rainfall events, and (ii) using probability of the logit regression, a nonlinear regression procedure to simulate daily rainfall quantities. The rainfall simulation models were validated using an independent dataset, and the results showed that the models were successful at replicating the occurrence and quantity of daily rainfall events. For example, the relative operating characteristics score is greater than 0.97 for rainfall events with daily rainfall ≥10 or ≥25 mm, for both model development and validation. For evaluation of daily rainfall quantity simulation models, four correctness classifications of excellent, good, fair, and poor were defined, based on the difference between daily rainfall observations and model simulations. Across four selected river basins, the percentage of excellent and good simulations for model development ranged from 62% to 84% (of 20 individuals, 16 cases ≥ 70%, 7 cases ≥ 80%); the corresponding percentage for model validation ranged from 50% to 76% (of 20 individuals, 15 cases ≥ 60%, 6 cases ≥ 70%).
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 | 0,000 | 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 ».