Multisite Multivariate Statistical Downscaling of Daily Extreme Temperature Series
Bibliographic record
Abstract
Les modèles du climat global (MCG) ont été fréquemment utilisés pour les études des impacts du changement climatique en pratique. Toutefois, les échelles spatiales de ces MCG sont très grandes et alors ne sont pas appropriées pour ces études d’impacts. Donc, plusieurs méthodes de mise en échelle ont été élaborées dans la communauté scientifique pour établir les liens entre ces différentes échelles. De plus, plusieurs de ces méthodes de mise en échelle ont été proposées, mais la majorité de ces méthodes concernent la mise en échelle des variables climatiques en un site donné sans considération de la dépendance spatiale entre les sites. Par conséquent, ces méthodes pour les sites individuels ne sont pas capables de capturer les interactions spatiales observées entre les processus hydrologiques en différents sites. Dans ce contexte, la présente étude propose une approche statistique de mise en échelle multisite et multivariable (MMSD) qui est capable de mettre en échelle des séries de températures extrêmes en plusieurs sites simultanément. Dans cette étude, deux modèles MMSD (SVD-MAR et MSM) ont été élaborés pour les séries journalières de température maximale (Tmax) et de température minimale (Tmin). On a évalué la faisabilité et la précision de ces deux modèles SVD-MAR and MSM en utilisant des données journalières extrêmes provenant de deux réseaux différents de mesures météorologiques représentant deux régions climatiques distinctes : la région du climat froid du sud de Québec-Ontarion au Canada et la région du climat tropique au Bangladesh. On avait trouvé que les modèles proposés sont capables de décrire d’une façon précise les propriétés statistiques spatio-temporelles des données de températures extrêmes observées en un site et en plusieurs sites simultanément. De plus, les résultats de ces modèles MMSD sont plus précis que les résultats du modèle le plus populaire SDSM pour la mise en échelle en un site individuel. On avait également démontré que les modèles MMSD proposés peuvent fournir une estimation plus précise de la fonte de neige par rapport du modèle SDSM
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".