Assessing the performance of climate reanalysis datasets in capturing hot and cold extremes and their trends in India.
Notice bibliographique
Résumé
A significant portion of the Earth's surface lacks long-term in-situ measurement of essential meteorological variables. Climate reanalysis serves as a valuable alternative to historical observations by providing homogenous and complete records of several atmospheric variables, especially in data-sparse regions. Reanalysis is produced by assimilating sparse observational data from a variety of sources into numerical weather prediction models that solve the dynamics of land, ocean, and atmospheric processes for analyzed periods. Recent generation reanalysis is now available at finer spatial and temporal resolutions, making them lucrative for hydrological and climatological studies. However, reanalysis has inherent biases that necessitate their evaluation before such application. While the assessment of reanalysis datasets is common in representing mean climatology on a daily, monthly, or seasonal scale, their ability to capture the spatial pattern of extreme temperature events and their trends remains controversial.By comparing seven such reanalysis datasets over India (ERA5-Land, ERA5, MERRA2, CFSR, JRA55, IMDAA, and EARS) it is found that the newest generation reanalysis having a higher resolution, better captures the magnitude, frequency, and duration of hot and cold extremes. The reanalysis datasets are compared with a gauge-based gridded temperature dataset from the India Meteorological Department (IMD) to assess their suitability in representing extreme temperature events and their trends over India. For evaluation, several extreme temperature indices are calculated based on the recommendation of ETCCDI, covering the frequency, intensity, and duration of hot and cold extreme temperature events. It is also found that in response to global warming, extreme hot events are rising, and extreme cold events are decreasing in India which is also captured by most of the reanalysis. However, the reanalysis estimated trend areas and magnitudes are not similar when compared to trends with a regional station-based gridded dataset. Thus, care should be taken in selecting datasets for such applications and interpreting their trends.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».