A hybrid downscaling approach for the estimation of climate change effects on droughts using a geo-information tool. Case study: Thessaly, Central Greece
Notice bibliographique
Résumé
Abstract Multiple linear regression is used to downscale large-scale outputs from CGCM2 (second generation CGCM of Canadian centre for climate monitoring and analysis) and ECHAM5 (developed at the Max Planck Institute for Meteorology), statistically to regional precipitation over the Thessaly region, Greece. Mean monthly precipitation data for the historical period Oct.1960-Sep.2002 derived from 79 rain gauges were spatially interpolated using a geostatistical approach over the region of Thessaly, which was divided into 128 grid cells of 10 km × 10 km. The methodology is based on multiple regression of large scale GCM predictant variables with observed precipitation and the application of a stochastic time series model for precipitation residuals simulation (white noise). The methodology was developed for historical period (Oct.1960–Sep.1990) and validated against observed monthly precipitation for period (Oct.1990–Sep.2002). The downscaled proposed methodology was used to calculate the standardized precipitation index (SPI) at various timescales (3-month, 6-month, 9-month, 12-month, 24-month) in order to estimate climate change effects on droughts. Various evaluation statistics were calculated in order to validate the process and the results showed that the method is efficient in SPI reproduction but the level of uncertainty is quite high due to its stochastic component.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 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 ».