Bias correcting the precipitation dynamics of regional climate models via kernel-aware 2D convolutional-long short-term memory
Notice bibliographique
Résumé
• Novel kernel-aware 2D Conv-LSTM network enhances spatial resolution via RCMs. • Model effectively captures adjacent precipitation impacts and temporal dependencies. • Pre-bias correction via Empirical Quantile Mapping improved quality of RCM data. • Project future precipitation to improve understanding of adjacent precipitation impacts. • Model led to RMSE and DC values of 14.74 mm and 0.85 under normal conditions. Some climate models face challenges covering the globe on a finer spatial scale. As a result, local studies are hindered by this limitation. This study introduces a novel spatial-based (kernel-aware) 2D Convolutional-Long Short-Term Memory (Conv-LSTM) network to enhance and bias correct spatial dynamics and generate precipitation products from Regional Climate Models (RCMs). The proposed network used 3 × 3 kernels, known as pixels that comprise nine grids for each specific point, which conduct convolutional layers to extract the features from the broad area (75 × 75 km), and LSTM networks for handling temporal dependencies. In this way, the RCM-based precipitation data were used as reference inputs, and gridded precipitation observation as target values. Since the precipitation products from the Coupled Model Intercomparison Project Phase 5 (CMIP5) of RCMs consisted of systematic biases, Empirical Quantile Mapping (EQM) was first used as the bias correction method as the pre-bias correction. This study applied 360 monthly observation precipitation and 460 bias-corrected RCM grid points covering Southern Alberta spanning from 1962 to 2006. Moreover, the proposed model was compared with the classical Feed Forward Neural Network (FFNN). Furthermore, the network’s capability spanned to the future, using Representative Concentration Pathway 4.5 till the end of this century. The results demonstrated that the proposed novel network could capture adjacent precipitation impacts on the target point and produce observation-like products with more precision by the Root Mean Squared Error (RMSE) and Determination Coefficient (DC) of 17.65 mm, 17.07 mm, 14.74 mm, and 0.60, 0.71 and 0.85 for high, low, and normal precipitation conditions, respectively.
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 ».