Application of stochastic downscaling techniques to Global Climate Model data for regional climate prediction
Notice bibliographique
Résumé
Global warming is the most important issue of the present day that affects the climate drastically. This research was carried out to find out the effects of Global warming on Louisiana in future on a very finer spatial and temporal scale. For this purpose spatial downscaling technique is used, where finer resolution climate information is derived from a coarser resolution Global Climate Model (GCM) output. Empirical/statistical downscaling method is used in which sub grid scale changes are calculated as a function of large scale climate. For this purpose a stochastic weather generator and two Global models are considered. The two global models are CCCma (Canadian Center for Climate Modeling and Analysis) and CSIRO (Australia's Commonwealth Scientific and Industrial Research Organization). The stochastic weather generator used is Climate Generator (CLIGEN). The global monthly means are calculated until the year 2090 from the available daily data of CCCma and CSIRO and the units are converted according to that used in CLIGEN. The monthly means of the parameter files of CLIGEN are replaced with the Global monthly means, and the other statistical parameters such as standard deviation, skewness, etc are changed accordingly and weather is generated using the CLIGEN until the year 2090 for Louisiana. Statistical analysis is performed for the climate generated using the two Global models and comparisons are made between the results of the two models. Also time series plots are drawn for the generated climate of the two models taking one year as a representative year.
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 | 0,006 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».