Evaluating conditional density estimation networks as a probabilistic \ndownscaling tool: application to precipitation in Newfoundland
Notice bibliographique
Résumé
The objective of this research is to better quantify the distribution of extreme precipitation \nwithin Newfoundland, for the current climate conditions. The province of \nNewfoundland is interested in this information as guidance for climate adaptation \nand longterm infrastructure planning purposes. Extreme analyses are commonly limited \nby short periods of observation (often only 30 years or less), resulting in large \nuncertainty regarding rare events. These limitations can be addressed by increasing \nthe period of observation, or partially addressed using synthetic time series generated \nby stochastic weather generators. These weather generators attempt to replicate \nrelevant statistics of the observed climate, using various statistical modelling tools. \nHere, a probabilistic neural network-based downscaling method is used to predict the \nprobability distribution of precipitation at a study site conditional upon the synoptic \nstate of the atmosphere; that is, features of a given day’s large-scale atmospheric \nstate are used to estimate the likelihood of all possible precipitation amounts for that \nday. My results show that CDEN-based probabilistic downscaling generally agrees \nbetter with observations than uncorrected reanalysis-based precipitation estimates. \nHowever, it gives significantly higher estimates for extreme events at low frequency \n(e.g., 100 year return periods). This approach is demonstrated for St. John’s airport. \nComparison with nearby stations, Windsor Lake, suggests that these higher estimates \nmay be reasonable; however, further work and a longer observational record is needed to determine whether these estimates represent added value to the raw observational \nrecord or a shortcoming of our CDEN-based methodology.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».