Dépôt numérique
RECHERCHER

Statistical downscaling of precipitation and temperature using sparse Bayesian learning, multiple linear regression and genetic programming frameworks.

Joshi, Deepti; St-Hilaire, André; Ouarda, Taha B. M. J. ORCID logoORCID: https://orcid.org/0000-0002-0969-063X et Daigle, Anik (2015). Statistical downscaling of precipitation and temperature using sparse Bayesian learning, multiple linear regression and genetic programming frameworks. Canadian Water Resources Journal / Revue canadienne des ressources hydriques , vol. 40 , nº 4. pp. 392-408. DOI: 10.1080/07011784.2015.1089191.

Ce document n'est pas hébergé sur EspaceINRS.

Résumé

Cette étude a pour objectif de comparer deux approches de mise à l’échelle statistique pour la température de l’air et quatre approches pour la précipitation. La première approche consiste à utiliser la régression linéaire multiple pas à pas (RLM). La seconde utilise l’analyse des corrélations canoniques (CCA) et une approche d’apprentissage bayésienne parcimonieuse appelée machine à vecteurs pertinents (MVP). Pour la mise à l’échelle des précipitations, deux approches supplémentaires ont été utilisées, à savoir une méthode qui combine un algorithme génétique (AG) pour l’analyse des prédicteurs avec le MVP (AGRVM) et ce même algorithme génétique avec la régression multiple (AGRLM). Les résultats démontrent que le MVP performe mieux que la RLM pour la mise à l’échelle de la température de l’air. Pour toutes les stations sélectionnées dans cette étude, la mise à l’échelle des températures était supérieure à celle des précipitations. Pour les précipitations, l’approche AGRVM a mieux performé que les autres méthodes. La combinaison de l’algorithme génétique avec la régression multiple ne donne pas de meilleurs résultats que la simple RLM.

This study attempted to investigate two approaches to downscale temperature and four approaches to downscale precipitation. The first approach was an implementation of multiple linear regression (MLR) in the form of backward stepwise regression. The second approach applied canonical correlation analysis (CCA) with a sparse Bayesian learning (SBL) approach called relevance vector machine (RVM). For precipitation downscaling, two additional approaches which combined genetic programming (GP) as the predictor processing method with sparse Bayesian learning (SBLGP) and multiple linear regression (MLRGP) were also presented. The results showed that SBL outperformed MLR in downscaling temperature. For all stations, temperature was better downscaled than precipitation. For precipitation downscaling, the SBLGP approach outperformed all other approaches. MLRGP, on the other hand, did not bring about much improvement in the results and was in many cases outperformed by MLR.

Type de document: Article
Mots-clés libres: genetic algorithms; linear regression; regression analysis; sparse bayesian learning; sparse bayesian learning (SBL); statistical downscaling
Centre: Centre Eau Terre Environnement
Date de dépôt: 23 avr. 2018 14:01
Dernière modification: 08 juin 2023 18:17
URI: https://espace.inrs.ca/id/eprint/3868

Gestion Actions (Identification requise)

Modifier la notice Modifier la notice