Assessment of Climate Change Impacts on the Precipitation and Temperature: A Case Study on Krishna River Basin, India
Notice bibliographique
Résumé
In this study, the statistical downscaling model (SDSM) is employed for downscaling the precipitation (PREC), maximum temperature ( $$T_{\max}$$ ), and minimum temperature ( $$T_{\min}$$ ) over the Krishna River Basin (KRB). The Canadian Earth System Model, version 2 (CanESM2) General Circulation Model (GCM) outputs were considered as predictor variables. First, the SDSM was calibrated using the data for a 30-year period (1961–1990) and subsequently validated with the data for a 15-year period (1991–2005). Upon perceiving a satisfactory performance, the SDSM was then used for projecting the predictand variables (PREC, $$T_{\max}$$ , and $$T_{\min}$$ ) for the 21st century considering three representative concentration pathway (RCP) scenarios viz. RCP2.6, RCP4.5, and RCP8.5. The future period was divided into three 30-year time slices named epoch-1 (2011–2040), epoch-2 (2041–2070), and epoch-3 (2071–2100), respectively. The period 1976–2005 was considered as baseline period and all the future results were compared with this data. The results were analysed at various temporal scales, i.e., monthly, seasonal, and annual. The study has reveals that the KRB is going to become wetter during all the seasons. The results are discussed for the worst-case scenario, i.e., RCP8.5 epoch-3. The average annual maximum and minimum temperature is expected to increase. The extreme event analysis is also carried out considering the 90th and 95th percentile values. It is noticed that the extreme (90th and 95th percentiles) are going to increase. There are extreme events that go beyond extreme values. The outcome of this study can be used in flood modeling for the KRB and also for the modeling of future irrigation demands along with the planning of optimal irrigation in the KRB culturable area.
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 | 0,001 | 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 | 0,000 |
| 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 ».