Reliability Assessment of Regional Climate Modeling: Case study in Johor State, Malaysia
Notice bibliographique
Résumé
Abstract This paper presents the work of statistically downscaling the CAN ESM 2 (Canada Earth System Model 2) climate data into regional climate data to produce the future climate scenario using the RCP (Representative Concentration Pathways) 2.6,4.5 and 8.5 green-house gas concentration trajectory suggested by Intergovernmental Panel on Climate Change Fifth Assessment Reports (IPCC-AR5). Selected location for regional climate downscaling includes Batu Pahat (1° 52’ N 102° 59’ E) and Kulai (1° 38’ N 103° 40’ E), downscaled outcome of monthly rainfall (mm), daily maximum (Tmax) and daily minimum (Tmin) temperature (°C) was produced by using SDSM (Statistical Downscaling Model) software to calibrate the CANESM2 output with the historical data. Quantile-mapping bias correction by using exponential distribution function was done to obtain bias corrected rainfall data. Reliability test using Pearson correlation coefficient was done by comparing between actual historical data. Based on Pearson correlation applied on bias corrected results, for Batu Pahat, the most suitable RCP model for both Tmax and Tmin is RCP 2.6, with correlation of 0.74 and 0.72, most suitable model for rainfall is RCP 4.5 with correlation of 0.24. For Kulai, the most suitable RCP model for Tmin is RCP 8.5, with correlation of 0.63, for Tmax and rainfall the suitable model is RCP 2.6, with correlation of 0.73 and 0.36. In overall, the more appropriate model to describe the climate for both Batu Pahat and Kulai based on Pearson correlation from year 2006 to 2019 is RCP 2.6, as the RCP 2.6 model are having higher correlation to the historical data.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».