How well do the reanalysis datasets capture hot and cold extremes and their trends in India?
Notice bibliographique
Résumé
Much of the Earth's surface lacks long-term in-situ measurement of essential meteorological variables. Climate reanalysis datasets provide an alternative in data-sparse regions, sometimes replacing gauge-based observations for climatological studies, however, they have inherent biases. Reanalysis is now available at finer spatial and temporal resolutions, that can be considered for hydrological and climatological studies. Although the assessment of reanalysis datasets is common at a daily, monthly, or seasonal scale, how the recent generation reanalysis captures the spatial pattern of extreme temperature events, and their trends remains an open question. In this study, two regional (IMDAA and EARS) and five global (ERA5-Land, ERA5, MERRA2, CFSR, and JRA3Q) reanalysis datasets are evaluated with a gauge-based gridded temperature dataset from the India Meteorological Department (IMD) to assess their suitability for studying extreme temperature events and their trends over India. Fifteen hot and cold extremes indices are identified to characterize extremes covering frequency, intensity, and duration of extreme temperature events. The study finds that no single reanalysis outperforms others for all the extreme indices when compared to the IMD gridded data, however, a select few (e.g., ERA5, ERA5L, MERRA2, and JRA3Q) better perform in reproducing the observed spatial pattern of extreme events and their changes across different regions of India. It is also noted that in response to global warming, the frequency, duration, and magnitude of extreme hot events are rising, and cold events are decreasing in India which is also captured by most of these reanalyses. Overall, the increase in hot extremes is more prominent in the south of the tropics and the decline in cold extremes is more evident in the north. However, the trend areas and magnitudes of the reanalysis datasets were not similar in comparison to trends from a regional station-based gridded dataset. Thus, care should be taken when selecting datasets for such applications and interpreting their trends. • The frequency, duration, and magnitude of extreme cold events are decreasing over India, while the hot extremes are rising. • Reanalysis has good potential for identifying frequency and duration-based extreme indices. • The reanalysis datasets capture the general warming trend over India, with some regional over and underestimation. • Compared to other reanalysis datasets, the estimated trends from ERA5 better matched with the IMD datasets.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».