Il s’agit d’une version en accès anticipé, les versions complètes PDF, HTML et XML seront bientôt disponibles.
Soumission reçue : 19 mai 2024
/
Révisé : 24 juin 2024
/
Accepté : 28 juin 2024
/
Publié : 1 juillet 2024
Abstrait
Les précipitations constituent une bouée de sauvetage pour les cultures agricoles dans de nombreux pays dépendants de l’agriculture, dont l’Inde. S’agissant de données spatio-temporelles, la prévision des précipitations devient un processus plus complexe et fastidieux. L’application de modèles de séries chronologiques conventionnels et de techniques d’apprentissage automatique ne constituera pas un choix approprié, car ils risquent de ne pas tenir compte de manière adéquate des dépendances spatiales et temporelles complexes intégrées dans les données. Cela nécessite des techniques basées sur les données, capables de gérer les modèles intrinsèques tels que la non-linéarité, la non-stationnarité et la non-normalité. Les modèles de moyenne mobile autorégressive spatio-temporelle (STARMA) étaient très connus pour leur capacité à capturer à la fois les dépendances spatiales et temporelles, offrant un cadre complet pour analyser des ensembles de données complexes. La matrice de poids spatial (SWM) développée par le modèle STARMA aide à intégrer les effets spatiaux des sites voisins. L’étude a utilisé un nouvel ensemble de données composé de mesures annuelles des précipitations s’étalant sur 50 ans (1970-2019) à partir de 119 emplacements différents (grille de résolution de 0,25 × 0,25 degrés) du Bengale occidental, un État de l’Inde. Ces nombreux ensembles de données ont été divisés en groupes de test et de formation qui permettent de mieux comprendre les régimes de précipitations à un niveau granulaire. Les résultats de l’étude ont démontré une amélioration notable de la précision des prévisions grâce au modèle STARMA, ce qui peut avoir des implications prometteuses pour la gestion et la planification agricoles, en particulier dans les régions vulnérables à la variabilité climatique.
Partager et citer
Styles MDPI et ACS
Alam, Nouveau-Mexique ; Mitra, S. ; Pandey, Saskatchewan ; Jana, C. ; Rayon, M. ; Ghosh, S. ; Paul Mazumdar, S. ; Shankar, SV; Saha, R. ; Kar, G. Modélisation spatio-temporelle améliorée pour la prévision des précipitations : une analyse de grille à haute résolution. Eau 2024, 161891.
Alam NM, Mitra S, Pandey SK, Jana C, Ray M, Ghosh S, Paul Mazumdar S, Shankar SV, Saha R, Kar G. Modélisation spatio-temporelle améliorée pour la prévision des précipitations : une analyse de grille haute résolution. Eau. 2024 ; 16(13):1891.
Style Chicago/Turabien
Alam, Nurnabi Meherul, Sabyasachi Mitra, Surendra Kumar Pandey, Chayna Jana, Mrinmoy Ray, Sourav Ghosh, Sonali Paul Mazumdar, S. Vishnu Shankar, Ritesh Saha et Gouranga Kar. 2024. « Modélisation spatio-temporelle améliorée pour la prévision des précipitations : une analyse de grille à haute résolution » Eau 16, non. 13 : 1891.
A noter qu’à partir du premier numéro de 2016, cette revue utilise des numéros d’articles au lieu de numéros de pages. Voir plus de détails ici.
Mesures de l’article
Les données métriques des articles deviennent disponibles environ 24 heures après leur publication en ligne.
Ce thème correspond à vos investigations vous adorerez tout autant ces publications :
Dictionnaire analytique d’économie politique/G.,Référence litéraire de cet ouvrage.
actionrc.fr est site d’information qui conserve différents posts publiés sur le web dont la thématique principale est « Soutien des Entreprises ». Ce post est reconstitué du mieux possible. Vous pouvez utiliser les coordonnées inscrites sur le site web dans l’objectif d’indiquer des précisions sur cet article traitant du thème « Soutien des Entreprises ». Cet article, qui traite du thème « Soutien des Entreprises », vous est proposé par actionrc.fr. En consultant régulièrement notre blog vous serez informé des prochaines publications.