Bias correction of ANN based statistically ownscaled precipitation data for the Chaliyar river basin
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
Any study to assess the impact of climate change on hydrology requires future climate scenarios at river basin scale. General Circulation Models (GCM) are the only reliable source for future climate scenarios, but they perform well only at coarse scale. Also, it may not be possible to straight away use the output from GCMs in hydrologic models applied at river basin scale. GCM simulations need to be downscaled to river basin scale. Uncorrected bias in the downscaled data, if any, should be corrected before the downscaled data is used in hydrologic applications. In this study, an advanced nonlinear bias correction method is applied to Artificial Neural Network (ANN) based downscaling models to obtain projections of monthly precipitation of station scale. The models were validated through application to downscale the monthly precipitation at two rain gauge stations, one in the Chaliyar river basin located in the humid tropics in Kerala, India, and other located close to it. The probable predictor variables are extracted from the National Centre for Environmental Prediction and National Centre for Atmospheric Research (NCEP/NCAR) reanalysis data and simulations from the third generation Canadian Coupled Global Climate Model (CGCM3) for the twentieth century experiment, 20C3M. The potential predictors were selected based on the values of the correlation coefficient between NCEP predictors and predictand precipitation and also between NCEP predictors and GCM predictors. Separate models were developed for each station and for each of the season and separate sets of potential predictors were used in each of the models. The models were validated using the data after year 2000; the performance of the models was reasonably good except for a few extremes.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle