Statistical Modelling of the Annual Rainfall Pattern in Guanacaste, Costa Rica
Notice bibliographique
Résumé
Rainfall in Guanacaste, Costa Rica, has marked wet/dry phases: the rainy season is punctuated by a short midsummer drought, and the dry season frequently has months of no rain. In this region, spring and summer rainfall peaks are important for local rain-fed agriculture and annual total for groundwater recharge and hydroelectricity production. We propose a novel model of rainfall in this region, the double-Gaussian model, which uses monthly total rainfall data collected from 1980 to 2020 from two meteorological observation stations. Our model provides an intuitive way of describing the seasonality of rainfall, the inter-annual variability of the cycle, and variability due to the monthly Oceanic Niño Index, ONI. We also consider two alternative models, a regression model with ARMA errors and a Tweedie model, as a means of assessing the robustness of our conclusions to violations of the assumptions of the double-Gaussian model. We found that the data provide strong evidence of an increase/decrease in rainfall in both temporal maxima during La Niña/El Niño (negative/positive ONI) conditions but no evidence of a decade-scale trend after accounting for ONI effects. Finally, we investigated the problem of forecasting future rainfall based on our three models. We found that when ONI is incorporated as a predictor variable, our models can produce substantial gains in prediction accuracy of spring, summer, and annual totals over naive methods based on monthly sample means or medians.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».