Evaluation of ensemble precipitation forecasts from NWP models in Indian River basins and agro-climatic zones
Notice bibliographique
Résumé
This study evaluates the deterministic and ensemble quantitative precipitation forecasts (QPFs) obtained from four Numerical Weather Prediction (NWPs) models over the Indian region during the monsoon period (June to September) for the years 2011 to 2020. We considered 18 river basins and 14 Agro climatic zones to compare the skill of the forecasts with the observation data. From The Observing System Research and Predictability Experiment Interactive Grand Global Ensemble (TIGGE) archives, we obtained QPFs from Environment and Climate Change Canada (ECCC), European Centre for Medium-Range Weather Forecasts (ECMWF), Korea Meteorological Agency (KMA), and National Centres for Environmental Prediction (NCEP) with 1 to 5 day lead time at a spatial resolution of 0.50. The Integrated Multi-satellite Retrievals for Global Precipitation Measurement (IMERG) data for the same time period is used as observation data. Deterministic (RMSE, NSE, and CC) and dichotomous (POD and FAR) assessment have been performed to evaluate the skill of the QPF(s). Our result shows that overall the performance of ECMWF ensembles mean is better than the other NWPs model, as the NSE and CC value is more close to 1. The river basins in the southern part of the country (Godavari, Krishna and Cauveri River Basins) have the higher error (RMSE more than 100 and NSE close to 0) compared to Brahmputra, Ganga, and Barak River basins. The errors are less in those agro-climatic zones which has high elevation where the rainfall is less. The detailed result of the ongoing research will be presented at the conference.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».