Statistical Downscaling of Daily Precipitation Process at an Ungaged Location in the Context of Climate Change
Notice bibliographique
Résumé
Downscaling methods have been proposed for establishing the linkages between the large-scale climate variables given by GCMs and the observed characteristics of hydrologic variables at a local site. These downscaling methods, however, are not suitable for dealing with cases where the hydrologic data at the location of interest are limited (a partially gauged site) or not available (an ungauged site). The downscaling of a hydrologic process such as the daily precipitation for such cases remains still a crucial challenge for water resources planning and management in practice. The present study proposes therefore a statistical downscaling (SD) approach to establishing accurately the linkages between the climate variables given by GCM outputs and the “estimated” daily precipitation characteristics at a location of interest where the precipitation data are limited or unavailable. More specifically, the suggested SD procedure is based on a combination of two components: (i) a regional stochastic method for reconstructing the unmeasured daily precipitation series at the ungauged site; and (ii) a SD model for describing the linkage between the constructed daily precipitation series and the climatic predictors given by GCM outputs. The feasibility and accuracy of the proposed SD procedure was assessed based on the NCEP re-analysis and observed daily precipitation data available from a network of 62 raingages in South Korea. Results of this assessment have indicated that the proposed procedure could provide comparable results as those given by the downscaling using real observed precipitation data at the same local site.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».