Wavelet Analysis on the Variability, Teleconnectivity, and Predictability of the Seasonal Rainfall of Taiwan
Notice bibliographique
Résumé
Abstract Using wavelet analysis, the variability and oscillations of November–January (NDJ) and January–March (JFM) rainfall (1974–2006) of Taiwan and seasonal sea surface temperature (SST) of the Pacific Ocean were analyzed. From the scale-average wavelet power (SAWP) computed for the seasonal rainfall, it seems that the data exhibit interannual oscillations at a 2–4-yr period. On the basis of correlation fields between decadal component removed wavelet PC (DCR-WPC1) of seasonal rainfall and decadal component removed scale-averaged wavelet power (DCR-SAWP) of SST of Pacific Ocean at one-season lead time, SST of some domains of the western Pacific Ocean (July–September SST around 0°–30°N, 120°–160°E; October–December SST around 0°–60°N, 125°E–160°W) were selected as predictors to predict seasonal NDJ and JFM rainfall of Taiwan at one-season lead time, respectively, using an Artificial Neural Network calibrated by the Genetic Algorithm (ANN-GA). The ANN-GA was first calibrated using the 1975–99 data and independently validated using 2000–06 data. In terms of summary statistics such as the correlation coefficient, root-mean-square error (RMSE), and Hanssen–Kuipers (HK) scores, the prediction of seasonal rainfall of northern and western Taiwan using ANN-GA are generally good for both calibration and validation stages, but not so for southeastern Taiwan because the seasonal rainfall of the former are much more significantly correlated to the SST of selected sectors of the Pacific Ocean than the latter.
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 | 0,003 | 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) | 0,001 | 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 ».