Rainfall Prediction in the State of Paraíba, Northeastern Brazil Using Generalized Additive Models
Notice bibliographique
Résumé
The state of Paraíba is part of the semi-arid region of Brazil, where severe droughts have occurred in recent years, resulting in significant socio-economic losses associated with climate variability. Thus, understanding to what extent precipitation can be influenced by sea surface temperature (SST) patterns in the tropical region can help, along with a monitoring system, to set up an early warning system, the first pillar in drought management. In this study, Generalized Additive Models for Location, Scale and Shape (GAMLSS) were used to filter climatic indices with higher predictive efficiency and, as a result, to perform rainfall predictions. The results show the persistent influence of tropical SST patterns in Paraíba rainfall, the tropical Atlantic Ocean impacting the rainfall distribution more effectively than the tropical Pacific Ocean. The GAMLSS model showed predictive capability during summer and southern autumn in Paraíba, highlighting the JFM (January, February and March), FMA (February, March and April), MAM (March, April and May), and AMJ (April, May and June) trimesters as those with the highest predictive potential. The methodology demonstrates the ability to be integrated with regional forecasting models (ensemble). Such information has the potential to inform decisions in multiple sectors, such as agriculture and water resources, aiming at the sustainable management of water resources and resilience to climate risk.
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 | 0,000 | 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 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 ».