Wavelet Analysis of Variability, Teleconnectivity, and Predictability of the September–November East African Rainfall
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract By applying wavelet analysis and wavelet principal component analysis (WPCA) to individual wavelet-scale power and scale-averaged wavelet power, homogeneous zones of rainfall variability and predictability were objectively identified for September–November (SON) rainfall in East Africa (EA). Teleconnections between the SON rainfall and the Indian Ocean and South Atlantic Ocean sea surface temperatures (SST) were also established for the period 1950–97. Excluding the Great Rift Valley, located along the western boundaries of Tanzania and Uganda, and Mount Kilimanjaro in northeastern Tanzania, EA was found to exhibit a single leading mode of spatial and temporal variability. WPCA revealed that EA suffered a consistent decrease in the SON rainfall from 1962 to 1997, resulting in 12 droughts between 1965 and 1997. Using SST predictors identified in the April–June season from the Indian and South Atlantic Oceans, the prediction skill achieved for the SON (one-season lead time) season by the nonlinear model known as artificial neural network calibrated by a genetic algorithm (ANN-GA) was high [Pearson correlation ρ ranged between 0.65 and 0.9, Hansen–Kuipers (HK) scores ranged between 0.2 and 0.8, and root-mean-square errors (rmse) ranged between 0.4 and 0.75 of the standardized precipitation], but that achieved by the linear canonical correlation analysis model was relatively modest (ρ between 0.25 and 0.55, HK score between −0.05 and 0.3, and rmse between 0.4 and 1.2 of the standardized precipitation).
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 découle