XiaoMi-AI文件搜索系统
World File Search System降水
全球尺度评估水文建模的降水数据集
1牛津大学，牛津大学，牛津大学，英国2号地理与环境科学学院，南安普敦大学，南安普敦大学，SO17 1BJ，英国3号，英国3号3号，阿拉巴马州阿拉巴马大学，阿拉巴马州阿拉巴马大学，美国阿拉巴马大学4号和经济，埃克塞特大学，埃克塞特大学，EX4 4RJ，英国6 6号地理与地球科学学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥大学7 7地理与环境科学系，英国雷丁大学，雷丁大学8号，雷丁大学8读，雷丁大学，雷丁大学，雷丁大学，雷丁大学，英国9能源与环境研究所，赫尔，赫尔，赫尔，赫尔，杜勒，杜勒，杜勒，杜勒，少年， UK 11地理科学学院，布里斯托尔大学，布里斯托尔大学，BS8 1SS，英国12地理与环境，拉夫堡大学，拉夫堡，英国，英国
PMP-最大降水，可能
PMF的总置信度限制是一种综合措施，它解释了其计算中涉及的所有因素的合并不确定性。它代表了预期真正的PMF谎言的整体范围，考虑到风暴特征，分水岭反应，气候条件和液压路由的不确定性。Micovic等人（2015年）评估了不列颠哥伦比亚省大坝的这些因素的变化，发现PMP可能比单值PMP估计高40％以上。他们建议将PMP作为置信度限制的范围，而不是暗示a，也许是错误的确定性程度的单个值。
现代化可能的最大降水估计
这项研究是由美国商务部赞助的。本出版物中表达的任何意见，调查结果，结论或建议不一定反映出为该项目提供支持的任何组织或代理商的观点。共识研究报告的副本可从美国国家学院出版社（800）624-6242 |获得。 www.nap.edu | https://nap.nationalacademies.org/catalog/27460。
一种机器学习方法，用于模拟过度海洋的热带气旋降水
摘要：热带气旋（TCS）中发现的极端降雨是许多低至中间区域中人类生命和财产的风险。风险评估和预测中TC降雨的概率建模在计算上可能很昂贵，并且现有模型在很大程度上无法建模关键的降雨不对称，例如雨带和室外过渡。在这里，开发了一个基于机器的框架，以模拟北大西洋盆地的水上TC降雨。首先，使用天气研究和预测（WRF）模型组装了26个历史事件的高分辨率TC降水模拟目录。然后，通过主成分分析（PCA）分解了这些历史事件的降雨的模拟空间分布，对分数回归森林（QRF）模型进行了训练，以预测最初的五个主成分（PC）权重的条件分布。使用历史卫星数据和QRF模型分别估算了雨比率水平的条件分布。使用这些模型，可以鉴于一组风暴特征和局部环境条件，可以对降雨图的概率预测进行。与卫星观测值相比，该模型能够捕获风暴总降雨量，其相关系数为0.96，R 2值为0.93。此外，与卫星观测值相比，该模型在对小时总降雨进行建模方面表现出良好的准确性。降雨比率图还与历史卫星观测值和交叉验证期间的WRF模拟进行了比较，估计值的空间分布捕获了与TC雨带，波数不对称的降雨可变性，可能是红色的不对称和可能是红外的转变。
在整个美国西部尚未检测到季节降水量的人为加强
1加州大学，加利福尼亚州洛杉矶分校，美国加利福尼亚州洛杉矶分校，2大气与海洋科学系，加利福尼亚大学，洛杉矶分校，加利福尼亚州洛杉矶，加利福尼亚州，美国，美国，哥伦比亚大学，哥伦比亚大学，美国纽约州哥伦比亚大学，美国哥伦比亚大学，美国，美国，美国，美国，美国，纽约州，美国4号，哥伦比亚大学3号。环境与可持续性，加利福尼亚大学，加利福尼亚州洛杉矶分校，美国加利福尼亚州6，地理，发展与环境学院，亚利桑那大学，亚利桑那州图森大学，亚利桑那州图森大学，美国亚利桑那州亚利桑那大学，图森大学，亚利桑那大学，美国亚利桑那大学，美国，美国，美国，加利福尼亚大学，哥伦比亚省，新约克大学。美国纽约
通过辐射敏感性和降水效率之间的耦合
在温暖云中的抽象气溶胶相互作用（ACI）是历史期间有效辐射强迫（ERF）的不确定性的主要来源，并且通过扩展为推断的气候灵敏度。由于ACI（ERFACI）引起的ERF由云的强迫组成，这是由于云微物理学的变化和对微物理学的云调整。在这里，我们使用CAM6中托管的扰动参数集合（PPE）来检查驱动ERFACI的过程。对PPE的观察性约束会导致云微物理学和巨摩托学对人为气溶胶的响应的重大限制，但仅对Erfaci的限制最小。对PPE中的云和辐射过程的检查揭示了降水效率和辐射性敏感性的相互作用来缓冲Erfaci。
评估气候变化的空气温度变化和降水对植物生理和土壤微生物过程的影响Wi
使用DNDC（denitrifi阳离子分解）模型（版本9.5）来预测多年生草的蒸腾和光合作用速率（红三叶草和提摩太教）的差异，以及一种砂质苏普固醇的自亲呼吸。在模型实验中使用了两个生长季节的输入参数（从2010年5月1日至2015年8月31日至2015年8月31日）。在2010年，该周期的平均空气温度为14.1±3.3°C，总降水量为0.1796 m，而在2015年，平均空气温度为16.8±5.5°C，总降水量为0.538 m。这些气象参数对2010年的植物不利，2015年有利。结果表明，DNDC模型充分预测了多年生草的总和平均蒸腾率的天气引起的差异：0.12204 m。和0.00099±0.00040 M.Day -1分别在2015年有利的气象条件下和0.05969 m。和0.00049±0.00035 m.day -1，在2010年不利的气象条件下。植物的每日蒸腾率的动力学显着（r = 0.34 p <0.001）与土壤水含量仅在不利的气象条件下相关。模拟光合作用速率的平均值等于2015年的84.4±27.9 kg.c.c.hha -1。天-1，2010年52.3±23.4 kg.c.hha -1 .day -1 .day -1 -1在2010年。在两种天气情况之间的光合作用速率的平均值中存在显着的差异（p <0.001）。单向方差分析（ANOVA）的结果表明，在有利的（8.14±2.25 kg.c.h -1 .day -1）下，自养呼吸的速率比不利（8.14±2.25 kg.c.ha -1 .day -1）高于不利（5.17±2.17±2.19±2.19±2.19 kg.c.c.ha -1 .day -1 .day -1 .day -1）。
1 目标 2 基础规划 3 格点降水
SCS 曲线数方法可以使用土地覆盖和水文土壤数据的组合或仅使用其中一个数据集进行参数化。在本研讨会中，将同时使用土地覆盖和水文土壤数据。首先，基于 USDA gSSURGO 数据库 ( https://www.nrcs.usda.gov/wps/portal/nrcs/detail/soils/survey/geo/?cid=nrcs142p2 _053628 ) 创建土壤层。然后，基于土壤层和土地覆盖分类层创建 SCS 曲线数渗透层。
分位数回归征：一种深度学习算法，用于缩小极端降水
全球气候模型（GCMS）模拟了全球范围内的低分辨率投影。GCM的本地分辨率通常对于社会级别的决策而言太低。为了增强空间分辨率，通常将降尺度应用于GCM输出。尤其是统计缩减技术，是一种具有成本效益的方法。与基于物理的动力学缩放相比，它们所需的计算时间要少得多。近年来，与传统统计方法相比，统计降尺度的深度学习越来越重要，证明错误率明显较低。但是，基于回归的深度学习技术的缺点是它们过度适合平均样本强度的趋势。极值通常被低估。问题上，极端事件具有最大的社会影响。我们提出了分位数回归征（QRE），这是一种受增强方法启发的创新深度学习al-gorithm。它的主要目标是通过训练分区数据集上的独立模型来避免拟合样品平均值和特殊值之间的权衡。我们的QRE对冗余模型具有鲁棒性，并且不容易受到爆炸性集成权重的影响，从而确保了可靠的训练过程。QRE达到了较低的均方误差（MSE）。尤其是，对于新西兰的高强度沉淀事件，我们的算法误差较低，突出了能够准确代表极端事件的能力。