An integrated multi‐GCMs Bayesian‐neural‐network hydrological analysis method for quantifying climate change impact on runoff of the Amu Darya River basin
Notice bibliographique
Résumé
Abstract As one of the most pressing issues in the world, climate change has already caused evident impacts on natural and human systems (e.g., hydrological cycle, eco‐environment and socio‐economy) in recent decades. In this study, an integrated multi‐GCMs Bayesian‐neural‐network hydrological analysis (MBHA) method is developed for quantifying climate change impacts on runoff. MBHA incorporates multiple global climate models (multi‐GCMs), hydrological model (HBV‐light), and Bayesian neural network (BNN) within a general framework. MBHA can provide the reliable prediction for runoff as well as reflect the impact of climate change on data scarcity catchments. MBHA is applied to the Amu Darya River basin in Central Asia. Climate data are derived from multiple GCMs (i.e., GFDL‐ESM2G, HadGEM2‐AO and NorESM1‐M) under RCP4.5 and RCP8.5. Several findings can be summarized: (1) during 2021–2100, both precipitation and temperature would increase, with more precipitation falling as rain instead of snow; (2) by 2100, glacier areas are predicted to reduce by 62.3% (RCP4.5) and 71.9% (RCP8.5); (3) under RCP8.5, monthly runoff would increase by 11.2% in 2021–2060 and reduce by 5.0% in 2061–2100; this is because the glaciers would rapidly disappear with the rising temperature after 2060. The findings suggest that the shrinked glacier and the reduced runoff threaten the water availability especially in summer seasons as well as affect the agricultural irrigation in the downstream of the Amu Darya River.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».