Seasonal Precipitation forecasting with large scale climate predictors: A hybrid  wavelet multiresolution -NARX scheme
Notice bibliographique
Résumé
Much of northern Tunisia regularly experiences extremes of drought and flooding, with high rainfall variability. Development of reliable and accurate seasonal rainfall forecasts can provide valuable information to help mitigate some of the outcome of floods and enhance water management, particularly for agriculture. Ensemble monthly rainfall forecasts are carried out over horizons ranging from 1 to 6 months using a hybrid wavelet neural network model. The hybrid model called MWD-NARX based on a non-linear autoregressive network with exogenous inputs (NARX) coupled to multiresolution wavelet decomposition (MWD) is developed in this work. First, The MWD is used to decompose the data into different components on various time scale. Then to predict each precipitation decomposition the NARX ensemble model is employed. For an operational forecasting, the forecasts obtained from the decompositions are summed to represent the true precipitation forecast value. The outcomes of MWD-NARX are compared with Artificial Neural Networks (ANN). The seasonal forecasts of average precipitation by sub-basins of the Medjerda river basin are carried out. Large scale climate teleconnection indicators of ENSO, PDO, NAO and Mediterranean Oscillation were used as inputs to the model. The results indicate that exogenous inputs like climatic indices clearly improves the accuracy of forecasts in terms of the coefficient R2 on 82% of SBVs compared to a model that uses only climate indices as inputs with 1 month delay time. It increases then the forecast lead-time up to 6 months. The same conclusion is made when compared to an ANN. The correlation coefficient between observed and forecasted monthly precipitation is ranging from 0.5 to 0.8. It was also found that the MWD-NARX underestimates the extremes. The spatial variability of the quality of the forecasts depends mainly on the local effect of precipitation more than on the quality of the hydrological data observed on the forecasts. It can be concluded that exogenous inputs like climate indices can add some additional information to enhance monthly precipitation forecasts at longer lead-times. The forecasting model coupled to data pre-processing method made it possible to produce very satisfactory forecasts of non-stationary data by extracting significant modes of variability.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».