Probabilistic Multisite Statistical Downscaling for Daily Precipitation Using a Bernoulli–Generalized Pareto Multivariate Autoregressive Model
Notice bibliographique
Résumé
Abstract A Bernoulli–generalized Pareto multivariate autoregressive (BMAR) model is proposed in this paper for multisite statistical downscaling of daily precipitation. The proposed model relies on a probabilistic framework to describe the conditional probability density function of precipitation at each station for a given day and handles multivariate dependence in both time and space using a multivariate autoregressive model. Within a probabilistic framework, BMAR employs a regression model whose outputs are parameters of the mixed Bernoulli–generalized Pareto distribution. As a stochastic component, the BMAR employs a latent multivariate autoregressive Gaussian field to preserve lag-0 and lag-1 cross correlations of precipitation at multiple sites. The proposed model is applied for the downscaling of AOGCM data to daily precipitation in the southern part of Québec, Canada. Reanalysis products are used in this study to assess the potential of the proposed method. Based on the mean errors (MEs), the root-mean-square errors (RMSEs), precipitation indices, and the ability to preserve lag-0 and lag-1 cross correlation, results of the study indicate the superiority of the proposed model over a multivariate multiple linear regression (MMLR) model and a multisite hybrid statistical downscaling procedure that combines MMLR and stochastic generator 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 | 0,001 |
| 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 | 0,001 |
| 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 ».