Prediction of Long-Term Near-Surface Temperature Based on NA-CORDEX Output
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Temperature is one of the most important parameters in climate modeling, as it has significant impacts on various geophysical processes such as evaporation and precipitation. Applying multiple climate models for prediction generally outperforms the use of individual climate models, and neural networks perform well at capturing nonlinear relationships, which can provide more reliable temperature projections. In this study, three neural network algorithms, including Multi-layer Perceptron (MLP), Time-lagged Feed-forward Neural Networks (TLFN) and Nonlinear Auto-Regressive Networks with exogenous inputs (NARX), were used to develop data-driven models for predicting daily mean near-surface temperature based on North American Coordinated Regional Downscaling Experiment (NA-CORDEX) output. A case study of Big Trout Lake in Ontario, Canada was carried out to demonstrate the applications and to evaluate the performance of the proposed neural network based models. The results showed that MLP, TLFN, and NARX performed well in generating accurate daily near-surface temperature predictions with the coefficient of determination (R2) values above 0.84. The three neural network based models had similar performance with no significant difference in terms of root mean square error and R2. Neural network based climate prediction models outperformed each of the individual regional climate models and generated smoother predictions with less fluctuation. This study provides a technical basis for generating reliable predictions of daily temperature using neural networks based model.
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.
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 | 0,000 | 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 découle