Comparison of different statistical downscaling models and future projection of areal mean precipitation of a river basin under climate change effect
Notice bibliographique
Résumé
Abstract Investigation of the hydrological impacts of climate change at the local scale requires the use of a statistical downscaling technique. In order to use the output of a Global Circulation Model (GCM), a downscaling technique is used. In this study, statistical downscaling of monthly areal mean precipitation in the Göksun River basin in Turkey was carried out using the Group Method of Data Handling (GMDH), Support Vector Machine (SVM) and Gene Expression Programming (GEP) techniques. Large-scale weather factors were used for the basin with a monthly areal mean precipitation (PM) record from 1971 to 2000 used for training and testing periods. The R2-value for precipitation in the SVM, GEP and GMDH models are 0.62, 0.59, and 0.6 respectively, for the testing periods. The results show that SVM has the best model performance of the three proposed downscaling models, however, the GEP model has the lowest AIC value. The simulated results for the Canadian GCM3 (CGCM3) A1B and A2 scenarios show a similarity in their average precipitation prediction. Generally, both these scenarios anticipate a decrease in the average monthly precipitation during the simulated periods. Therefore, the results of the future projections show that mean precipitation might decrease during the period of 2021–2100.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».