Vine Copula Ensemble Downscaling for Precipitation Projection Over the Loess Plateau Based on High‐Resolution Multi‐RCM Outputs
Notice bibliographique
Résumé
Abstract A vine copula‐based ensemble downscaling (VCED) framework is proposed to jointly downscale the projected precipitation from multiple regional climate models (RCMs). This approach can effectively reduce the biases inherent to precipitation projections from different RCMs and thus provide more reliable ensemble projections. The proposed approach was applied to RCM projections over the Loess Plateau of China, which features complex topography and various climatic zones. Precipitation projections from 7 RCMs were used, and 21 sets of downscaling results were obtained. The performance of the VCED in reproducing historical precipitation across the Loess Plateau was evaluated using mean absolute error (MAE), the Taylor diagram, and the rank histogram (RH). The proposed VCED approach was found to be more effective than quantile mapping and bivariate copula methods in achieving robust precipitation projections. Overall flat RH diagrams indicate that the ensemble prediction and observations have strong consistency in distribution. Future precipitation changes of two 30‐year periods (i.e., the 2050s and 2080s) under two Representative Concentration Pathway (RCP) scenarios (RCP 4.5 and RCP 8.5) over the Loess Plateau were then analyzed after postdownscaling processes. The results show that the average annual precipitation over the Loess Plateau may increase by 8.4%–11.4% under the RCP 4.5 scenario and by 9.3%–17.5% under RCP 8.5. The projected precipitation in the south‐central parts of the Loess Plateau would be significantly reduced whereas those of the other parts be significantly increased.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 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 ».