Bias correction of ANN based statistically ownscaled precipitation data for the Chaliyar river basin
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.
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 | 0,000 | 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 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 ».