THE REALISM OF STOCHASTIC WEATHER GENERATORS IN RISK DISCOVERY
Notice bibliographique
Résumé
Weather generators reproduce artificial climate time series that are commonly used for hydrological modeling and climate adaptation studies. To examine the representativeness of a stochastically generated climate time series, a novel stochastic method is suggested where these time series are projected in two spaces (the Climate Statistics Space -CSS; and the Risk and Performance Indicators Space -RPIS). A visual inspection as well as the Mahalanobis distance are used to assess the two spaces relative position and their proximity to the points representing the observations. The dimensions of the CSS are a subset of climate statistics, while the dimensions of the RPIS are a set of risk and performance indicators calculated using streamflow time series. A rainfall-runoff model is used to convert all climate time series from the CSS into streamflow time series in the RPIS. Three stochastic weather generators were used in this study: The Weather Generator cole de Technologie Suprieure (WeaGETS), the Multisite Stochastic Weather Generator (MulGETS) using two different generation algorithms, and a k-nearest neighbour weather generator. Each generator was used to construct precipitation, maximum and minimum temperatures time series representing the historical period. The suggested approach was tested on a 41-years-long climate and flow time series from South Nation watershed in Eastern Ontario, Canada. The MulGETS model was able to perform well where the point representing the observations was centered inside the cloud of points representing the synthetic time series in some CSS.
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 | 0,000 | 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 | 0,002 |
| 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) | 0,000 | 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 ».