Machine-learning unravels spatial shifting in homogeneous rainfall subregions in Central Africa under global warming
Notice bibliographique
Résumé
Abstract Modifications in precipitation regimes significantly affect various socio-economic sectors, including agriculture and water resource management. Although the rainfall regimes characterizing Central Africa (CA) have just recently been described, it is equally urgent to investigate potential changes in their spatial extent under different global warming pathways, which motivates the present study. For this purpose, we utilized results from the dynamical downscaling performed by regional climate models (RCMs) under the CORDEX-CORE (Coordinated Regional Climate Downscaling Experiment–Coordinated Output for Regional Evaluations) initiative. The warming pathways are based on low (RCP2.6) and high (RCP8.5) emission scenarios. The K-means clustering technique is employed to classify areas with homogeneous rainfall regimes. Our findings indicate that the ability of experiments to mimic the spatial patterns of these subregions is model-dependent. REMO and CCLM5 RCMs outperform RegCM4, achieving the highest Adjusted Rand (AR) index values compared to the observational datasets CHIRPS2 and TAMSAT3.1. Projections based on individual experiments and the multimodel ensemble-mean suggest that the warming level will influence clusters’ spatial extent. Broadly, the ensemble mean shows that an expansion of Equatorial CA is projected (4.8% and 9.7%, respectively), while a contraction of Southern CA is anticipated (4.2% and 4.5%, respectively), consistently under both scenarios. In contrast, the signal of change in Northern CA differs between the two warming pathways. Under the highly mitigated RCP2.6 scenario, an expansion of the cluster is projected (1%), whereas the low-mitigation RCP8.5 scenario projects a shrinking of its spatial extent (0.8%).
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».