Multivariate Nonstationary Oscillation Simulation of Climate Indices With Empirical Mode Decomposition
Notice bibliographique
Résumé
Abstract The objective of the current study is to build a stochastic model to simulate climate indices that are teleconnected with the hydrologic regimes of large‐scale water resources systems such as the Great Lakes system. Climate indices generally contain nonstationary oscillations (NSOs). We adopted a stochastic simulation model based on Empirical Mode Decomposition (EMD). The procedure for the model is to decompose the observed series and then to simulate the decomposed components with the NSO resampling (NSOR) technique. Because the model has only been previously applied to single variables, a multivariate version of NSOR (M‐NSOR) is developed to consider the links between the climate indices and to reproduce the NSO process. The proposed M‐NSOR model is tested in a simulation study on the Rössler system. The simulation results indicate that the M‐NSOR model reproduces the significant oscillatory behaviors of the system and the marginal statistical characteristics. Subsequently, the M‐NSOR model is applied to three climate indices (i.e., Arctic Oscillation, El Niño‐Southern Oscillation, and Pacific Decadal Oscillation) for the annual and winter data sets. The results of the proposed model are compared to those of the Contemporaneous Shifting Mean and Contemporaneous Autoregressive Moving Average model. The results indicate that the proposed M‐NSOR model is superior to the Contemporaneous Shifting Mean and Contemporaneous Autoregressive Moving Average model for reproducing the NSO process, while the other basic statistics are comparatively well preserved in both cases. The current study concludes that the proposed M‐NSOR model can be a good alternative to simulate NSO processes and their teleconnections with climate indices.
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 | 0,000 | 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) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».