Statistical Downscaling of Rainfall Under Climate Change in Krishna River Sub-basin of Andhra Pradesh, India Using Artificial Neural Network (ANN)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to the very coarse spatial resolution of the different global circulation model (GCM), we cannot use them in their natural form to study the various impacts of climate change. For matching this spatial inequality between the GCMs output (predictor) and historical precipitation data (predictands), we need to establish a relation between them which is known as downscaling. In the present study, we tried to examine the efficiency of the Artificial Neural Network (ANN) with Principal Component Analysis (PCA) for downscaling the rainfall for 3 districts of Andhra Pradesh of India. Firstly, for all the regions, the downscaling was performed by using ANN. Then seasonal and annual analysis was performed based on the R 2 and RMSE. The results show that the ANN worked adequately based on the statistical parameters. The study uses the Canadian Earth System Model (CanESM2) of the IPCC Fifth Assessment Report, re-analysis from the National Centre for Environmental Prediction (NCEP) as GCM model, and observed rainfall data as the observed rainfall. The analysis was performed for the three RCPs scenario, RCP 2.6, 4.5 and 8.5. Finally, the ANN model is applied to downscale the precipitation.
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.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle