Projection of important climate variables in large cities under the CMIP5–RCP scenarios using SDSM and fuzzy downscaling models
Notice bibliographique
Résumé
Abstract Climate change impacts are among the many challenges facing management of large cities. This study assesses the important climate variables under climate change impacts in Tehran, Iran, for 2021–2040. Eight Coupled Model Intercomparison Project, Phase 5 (CMIP5) models under the scenarios of Representative Concentration Pathway 2.6 (RCP2.6), RCP4.5, and RCP8.5 were used, and seven climate variables were projected utilizing the Fuzzy DownScaling Model (FDSM) and the Statistical DownScaling Model (SDSM). The FDSM and SDSM results underline the high performance of both models and the important capability of the FDSM, showing the increasing trend of annual changes in mean temperature (Tmean) and maximum temperature (Tmax), precipitation, and the mean wind speed (Wmean). The maximum increase of annual average in Tmean and Tmax and the Wmean among all scenarios will be in the order of 1.29 °C, 1.57 °C, and 0.8 m/s (for RCP8.5), and also the maximum increases of annual average precipitation will be 10 mm (for RCP2.6). Furthermore, the monthly long-term averages of Tmean and Tmax in all three scenarios show significant increases in summer. For precipitation, relative stability in summer, and increases in winter and early spring are predicted, but the changes in minimum temperature, relative humidity, and sunshine hours indicate relative stability.
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 | 0,001 |
| 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 ».