Validation of global precipitation time series products against tree ring records and remotely sensed vegetation greenness
Notice bibliographique
Résumé
Global interpolated climate products are widely used in ecological research to investigate biosphere-climate interactions and to track ecological response to climate variability and climate change. In turn, biological data could also be used for an independent validation of one aspect of climate data quality. All else being equal, more variance explained in biological data identifies the better climate data product. Here, we compare seven global precipitation time series products, including gauge-based datasets (CRU-TS, UDEL-TS, GPCC), re-analysis products (ERA5, CHELSA), a satellite-based dataset (PERSIANN) and a multi-source product that draws on gauge, re-analysis, and satellite data (MSWEP). We focus on precipitation variables, because they are more difficult to interpolate than temperature, and show larger divergence among gridded data products. Our validation is based on 20 years of remotely sensed vegetation greenness (MODIS-EVI) and 120 years of tree ring records from the International Tree Ring Data Bank (ITRDB). The results for the 20-year EVI based validation shows that all gauge and re-analysis data products performed similarly, but were outperformed by the multi-source MSWEP product, especially in regions with low weather station coverage, such as Africa. For analyzing long 120-year time-series, UDEL-TS showed superior performance prior to the 1940s, with especially large margins for northern Asia and the Himalayas region. For other regions, CRU-TS and GPCC could be recommended. We provide maps that can guide the best regional choice of climate product for research involving time series of biological response to historic climate variability 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 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 | 0,000 | 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 ».