Volatility Analysis and Visualization of Climate Data Based on Wavelets
Notice bibliographique
Résumé
In this article, we analyze the real meteorological data recorded by Wenzhou Meteorological Bureau from 1951 to 1997. The data has not been used elsewhere and is available at Meteorological Station Wenzhou (ID: CHM00058659) at https://geographic.org/global_weather/china. We perform the time series volatility analysis including ARMA, ARIMA, ARCH-LM, PARCH, SARMA and Morlet wavelet analysis and use the Mann-Kendall (M-K) test to analyze both the trend and mutation defined by statistics sequence. In addition, a Morete wavelet time-frequency model is established to show that both the precipitation and temperature have a very important 12-month cycle and the precipitation is also very unstable. We then employ the STL, coif1 decompositions and NAR model to capture both the volatility and Heteroscedasticity in the data. In addition, the performance of the fitted model has been proven to be satisfactory on actual climate data with the small Mean Square Error (MSE), Root-Mean-Squarred Error (RMSE), and coefficient of determination. Finally, monthly average temperature is added as an exogenous (covariate) variable and a nonlinear autoregressive exogenous model is employed to improve the performance of the model. Our results show that the performance of NARX model is more accurate and stable with better mean square error.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».