MétaCan
Menu
← Retour à la cohorte
Enregistrement W4384929762 · doi:10.21203/rs.3.rs-3148334/v1

High-resolution downscaled climate variables spatiotemporal variation and drought projected in the Sanjiang Plain, Northeast China

2023· preprint· en· W4384929762 sur OpenAlexfundno aff
Peng Huang, Hua Xie, Dan Li, Xuhua Hu, Chaoli Liu, Xu Yang, Changhong Song, Chunsheng Dai, Shahbaz Khan, Yuanlai Cui, Yufeng Luo

Notice bibliographique

RevueResearch Square · 2023
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesChinese Academy of SciencesNational Natural Science Foundation of ChinaGovernment of Canada
Mots-clésDownscalingSanjiang PlainClimatologyEvapotranspirationEnvironmental sciencePrecipitationWeather Research and Forecasting ModelClimate changeRepresentative Concentration PathwaysClimate modelMeteorologyGeographyWetlandGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Drought is greatly impacted by climate variables, and high-resolution downscaled climate variables are valuable for precisely identifying drought characteristics. Due to Sanjiang Plain’s crucial strategic position and drastic climate changes, we analyze its spatiotemporal variation in climate variables and standardized precipitation evapotranspiration index (SPEI). Two sharing economy pathway scenarios (SSP245 and SSP585) during the early (2023–2030), middle (2050–2060), and late periods (2090–2100) are projected. The Weather Research and Forecasting (WRF) and Statistical Downscaling Model (SDSM) are used for downscaling to simulate temperature and precipitation, respectively. WRF model is driven by the bias-corrected CMIP6 dataset, the ensemble of CMIP6 daily predictor variables are applied to SDSM, which generate high-resolution downscaled data named SSP-DS scenario. The SPEI computed from precipitation and reference evapotranspiration (ET0) is adopted to identify drought characteristics. The results indicate that downscaled results accurately reflect the CMIP6 original outputs change trend, but increase ET0 and reduce precipitation. The average temperature, total ET0, total precipitation manifests an increasing trend over time, and SSP585-DS scenario increases more significantly. High radiative forcing contributes to increasing temperature and ET0. Seven stations dry and wet characteristics have no obvious spatial heterogeneity; accumulated16 to 23 (17 to 24) drought events are captured, mild drought is the most frequent and extreme drought is the least under the SSP245-DS and SSP585-DS scenario. This study predicts the spatiotemporal variation in climate variables and drought characteristics based on high-resolution downscaled data, which contributes to Sanjiang Plain management strategy against drought risk and climate change.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,082

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,328
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch Square→Même sujetClimate variability and models→Travaux en français237 207→