District-Level Seasonal Rainfall Characteristics over Andhra Pradesh and its Global Teleconnections in Changing Climate
Notice bibliographique
Résumé
Investigating the trends and changes in rainfall over vulnerable regions is of huge importance in this global warming era. The present study intensively investigates the rainfall over the Indian state, Andhra Pradesh (AP), and its 13 districts using a high-resolution (0.25°×0.25°) gridded rainfall analysis dataset from India Meteorological Department (IMD) for the study period of 118 years (1901-2018). For this, normality, homogeneity, persistence, and change-point tests are performed and changes in the district-level rainfall in the present global warming period (1991-2018) as compared to the pre-global warming period (1901-1990) is also analyzed.
 The results suggest that the long-term average annual rainfall over AP is 882 mm and most of the rainfall is contributed by the monsoon (55.7%) and the post-monsoon rainfall (32.8%). The coefficient of variation is low (high) during monsoon (winter). The coastal region receives more rainfall than the inland districts. The post-monsoon rainfall over AP is more consistent than in other seasons, and the persistence is only during the southwest monsoon season. The southwest monsoon and post-monsoon rainfall have increased (by about 10%) over most of the districts in the recent period. The Nino3.4 region SST (South Oscillation Index; SOI) has a significant negative (positive) relationship with southwest summer monsoon rainfall in most of the districts. The relationship of Nino 3.4 SST and DMI is strikingly similar for post-monsoon and has significantly weakened in recent decades. This study is useful for proper planning and mitigation measures for the agricultural and water resources sector at the district level over AP in this global warming era.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,000 | 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 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 ».