Multi-model ensemble for long-term statistical trend analysis of observed gridded precipitation and temperature data in the São Francisco River Basin, Brazil
Notice bibliographique
Résumé
ABSTRACT For effective management practices and decision-making, the uncertainties associated with regional climate models (RCMs) and their scenarios need to be assessed in the context of climate change. This study analyzes long-term trends in precipitation and temperature data sets (maximum and minimum values) from the NASA, Earth Exchange Global Daily Downscaled Prediction (NEX-GDDP), under the São Francisco River Basin Representative Concentration Path (RCP) 4.5 and 8.5, using the REA (Reliable Ensemble Average) method. In each grid, the built multi-model was bias-corrected using the CMhyd software for annual, dry, wet, and pre-season periods – for historical (1961-2005) and future (2006-2100) periods. The multi-model and four different methods, namely: The Mann-Kendall, Mann-Kendall pre-brightening test, bias-corrected pre-brightening, and Spearman correlation, were used to detect trends in precipitation, and minimum and maximum temperature. In the analysis of precipitation and temperature metrics, the results for the NRMSD showed that, in general, the CSIRO model presented more satisfactory results in all physiographic regions. Person's correlation coefficient showed a better adjustment of precipitation for the MIROC5, EC.EARTH and NORESMI1 models, in areas of sub-medium and upper São Francisco. For the minimum temperature, the CSIRO and NORESMI1 models showed the best fit, in general. At maximum temperature, the EC.EARTH and CSIRO models showed more satisfactory results. With regard to trend analysis, the results indicated an increasing trend in mean annual temperature and precipitation across the basin. When analyzed by subregion, the results show an increasing trend in monthly average minimum and maximum temperatures in the middle and lower SFRB, while average monthly rainfall increases during the rainy season and preseason in Upper São Francisco. The results of this research can be used by government entities, such as Civil Defense, to subsidize decision-making that requires actions/measures to relocate people/communities to less risky locations to minimize risk or vulnerability situations for the population living nearby to the river.
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 | 0,001 |
| 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 ».