MétaCan
Menu
Retour à la cohorte
Enregistrement W4390463414 · doi:10.1016/j.atmosres.2023.107217

Determination of duration, threshold and spatiotemporal distribution of extreme continuous precipitation in nine major river basins in China

2023· article· en· W4390463414 sur OpenAlexaff
Haoyu Jin, Xiaohong Chen, Jan Adamowski, Shadi Hatami

Notice bibliographique

RevueAtmospheric Research · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensMcGill University
Organismes subventionnairesNational Key Research and Development Program of ChinaMinistry of Science and Technology of the People's Republic of ChinaNational Natural Science Foundation of China
Mots-clésPrecipitationEnvironmental scienceDrainage basinClimatologyStructural basinGeologyMeteorologyGeographyGeomorphology

Résumé

récupéré en direct d'OpenAlex

China is one of the countries most severely affected by extreme precipitation, and it is urgent to carry out relevant research on the spatiotemporal distribution of extreme precipitation in China. Compared with single-day precipitation events, heavy precipitation events often last for multiple days and have greater potential disaster impacts, such as floods and mudslides. Therefore, in this study, we focus on continuous precipitation (CP) events for analysis. In order to determine the most probable duration of continuous heavy precipitation events, we innovatively adopted two time-frequency variation methods, namely Fast Fourier Transform (FFT) and Continuous Wavelet Transform (CWT). Then through Detrended Fluctuation Analysis (DFA) and multifractal DFA (MF-DFA) methods, extreme CP thresholds are extracted according to the fluctuation characteristics of the CP series. The results show that the average duration of heavy precipitation in the Pearl River Basin (PRB) area was the longest (up to 7.7 days), followed by the Continental Basin (CB) area (7.6 days). The Haihe River Basin (HRB) area had the shortest duration of heavy precipitation (5.0 days), followed by the Huaihe River Basin (HURB) area (5.9 days). The extreme CP threshold in the Southeast Basin (SEB) area was the largest (112.17 mm), followed by the PRB area (108.22 mm). The extreme CP threshold in the CB area was the smallest (20.17 mm), followed by the Yellow River Basin (YRB) area (44.31 mm). Through mutation and trend testing to evaluate the changing state of the extreme CP time series, it was found that, with one exception (HRB), the average extreme CP after the mutation in the watershed areas was larger than that before the mutation, and eight watersheds showed an upward trend in extreme CP. This suggests that most watershed areas in China are at risk of extreme CP increases. This study can provide an important reference for the analysis of extreme CP in China.

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)0,001
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 enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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)0,0000,000

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 Opus0,043
Tête enseignante GPT0,310
Écart entre enseignants0,267 · 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

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAtmospheric ResearchMême sujetClimate variability and modelsTravaux en français237 207