Reliability of global gridded precipitation products in assessing extremes
Notice bibliographique
Résumé
Assessing extreme precipitation events is of high importance to hydrological risk assessment, decision making, and adaptation strategies. Global gridded precipitation products, constructed by combining various data sources such as precipitation gauge observations, atmospheric reanalyses and satellite estimates, can be used to estimate extreme precipitation events. Although these global precipitation products are widely used, there has been limited work to examine how well these products represent the magnitude and frequency of extreme precipitation. In this work, the five most widely used global precipitation datasets (MSWEP, CFSR, CPC, PERSIANN-CDR and WFDEI) are compared to each other and to GHCN-daily surface observations. The spatial variability of extreme precipitation events and the discrepancy amongst datasets in predicting precipitation return levels (such as 100- and 1000-year) were evaluated for the time period 1979-2017. The behaviour of extremes, that is the frequency and magnitude of extreme precipitation, was quantified using indices of the heaviness of the upper tail of the probability distribution. Two parameterizations of the upper tail, the power and stretched-exponential, were used to reveal the probabilistic behaviour of extremes. The analysis shows strong spatial variability in the frequency and magnitude of precipitation extremes as estimated from the upper tails of the probability distributions. This spatial variability is similar to the Köppen-Geiger climate classification. The predicted 100- and 1000-year return levels differ substantially amongst the gridded products, and the level of discrepancy varies regionally, with large differences in Africa and South America and small differences in North America and Europe. The results from this work reveal the shortcomings of global precipitation products in representing extremes. The work shows that there is no single global product that performs best for all regions and climates.
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 | 0,018 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».