Convolutional Neural Network‐Based Insights Into Extreme Precipitation Regional Dynamics Over Central Africa Using Moisture Flux Patterns
Notice bibliographique
Résumé
Abstract Understanding the atmospheric drivers of extreme rainfall is essential for improving regional adaptation strategies. In Central Africa, previous studies widely emphasize large‐scale influences, often overlooking complex regional processes. In this study, we combined the capacity of vertically integrated moisture flux convergence (VIMFC) to capture information from the entire atmospheric column with the ability of convolutional neural networks to learn complex, nonlinear patterns from large and intricate data sets, thereby unlocking VIMFC's potential as an effective regional predictor. Our machine learning model successfully identifies 95% of observed extreme rainfall events using VIMFC as input. The CNN's predictions, interpreted using the layer‐wise relevance propagation method, highlight its ability to capture spatiotemporal distributions of strong moisture convergence and divergence linked to extreme rainfall and drought events. Over the past two decades, we have observed a clear increase in the frequency of extreme precipitation moisture flux patterns (EPMFPs), which aligns with rising extreme rainfall occurrences. On EPMFP days, we detect stronger low‐level moisture inflow from the Atlantic Ocean and enhanced moisture supply driven by a deeper and more intense Congo Basin convective cell. This is supported by evapotranspiration from the basin's dense vegetation, acting as a continental moisture reservoir. Midlevel analysis reveals more moisture retention over the region during EPMFPs, linked to the positioning and strength of the African easterly jets. While both EPMFP and non‐EPMFP composites show similar meridional moisture transport, distinct zonal moisture outflow and inflow patterns highlight the dynamical differences between the two regimes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».