Spatial partitioning of precipitation in the terrestrial water cycle and the role of dataset agreement
Notice bibliographique
Résumé
The study of the water cycle at planetary scale is crucial for our understanding of large-scale climatic processes. There have been numerous studies that quantified the water cycle and its components, i.e., precipitation, evaporation, and runoff, over the land and the ocean. However, very little is known about how water fluxes are distributed across regions with different climatic or land properties. Here, we address this gap by providing robust estimates for terrestrial precipitation over a suite of land cover types, biomes, elevation zones, and precipitation intensity classes. We achieve this by estimating the mean annual precipitation of a 17-dataset ensemble between 2000 and 2019 at 0.25° spatial resolution. Our estimate of annual terrestrial precipitation is at approximately 114 000 ± 9 400 km3, with about 70% falling over one third of the grid cells, 80% over the 0 – 800 elevation zone, and two-thirds over forested regions. Our results also highlight that despite the current progress in the development of global scale data products there are still substantial uncertainties over the arid and/or high-elevation areas. Bigger discrepancies appear within the reanalysis data products, while remote sensing estimates show a better agreement with the in-situ ground truth. These results help to detect regions of high observational fidelity and pave the way to further explore and improve observational uncertainties. At the same time, we provide consistent estimates that can be used for benchmarking the precipitation partition in the climate models, and most importantly that can be used to assess future changes in global precipitation.
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 | 0,022 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».