A Hybrid Statistical Downscaling Framework Based on Nonstationary Time Series Decomposition and Machine Learning
Notice bibliographique
Résumé
Abstract Downscaling techniques are effective to bridge the scale gap between global circulation models and regional studies. Statistical downscaling methods are prevalent due to their advantages in high computational efficiency and accuracy. However, an implicit assumption of most statistical techniques is that time series should be relatively stationary after certain function transformations. Otherwise, statistics of nonstationary time series may be meaningless for describing future behavior. In this study, a hybrid statistical downscaling framework was developed through integrating bivariate empirical mode decomposition (BEMD) and a machine learning method to extract multi‐timescale features from nonstationary data to enhance downscaling performance. The proposed framework can reduce the effects of non‐stationarity in data‐driven models by using the BEMD method, which can decompose time series into independent and stationary components at multiple time‐frequency resolutions. It was applied to downscale monthly precipitation and temperature of Canadian Earth System Model in multiple stations with different climate types in the Central Valley of California, USA, to verify its accuracy and generalization ability. The performance of downscaling maximum and minimum temperatures (R2 > 0.9) was more accurate than that of precipitation. The potential reason is that precipitation is more sensitive to transient weather phenomena, which can only be extracted from data with higher temporal resolution. The proposed model was further compared with models based on discrete wavelet transform and models without time series decomposition. The results showed that a decomposition strategy of the proposed framework can improve the downscaling accuracy, potentially providing a viable option to deal with the nonstationary of data in statistical downscaling models.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».