Evaluation of statistical downscaling model's performance in projecting future climate change scenarios
Notice bibliographique
Résumé
Abstract Statistical downscaling (SD) is preferable to dynamic downscaling to derive local-scale climate change information from large-scale datasets. Many statistical downscaling models are available these days, but comparison of their performance is still inadequately addressed for choosing a reliable SD model. Thus, it is desirable to compare the performance of SD models to ensure their adaptability in future climate studies. In this study, a statistical downscaling model (SDSM) or multi-linear regression and the Least Square Support Vector Machine (LS-SVM) were used to do downscaling and compare the results with those obtained from general circulation model (GCM) for identifying the best SD model for the Indira Sagar Canal Command area located in Madhya Pradesh, India. The GCM, Hadley Centre Coupled Model version 3 (HadCM3), was utilized to extract and downscale precipitation, maximum temperature (Tmax), and minimum temperature (Tmin) for 1961–2001 and then for 2001–2099. Before future projections, both SD models were initially calibrated (1961–1990) and validated (1991–2001) to evaluate their performance for precipitation and temperature variables at all gauge stations, namely Barwani, East Nimar, and West Nimar. Results showed that the precipitation trend was under-predicted owing to large errors in downscaling, while temperature was over-predicted by SD 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 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 | 0,005 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 ».