మా గ్రూప్ ప్రతి సంవత్సరం USA, యూరప్ & ఆసియా అంతటా 3000+ గ్లోబల్ కాన్ఫరెన్స్ ఈవెంట్లను నిర్వహిస్తుంది మరియు 1000 కంటే ఎక్కువ సైంటిఫిక్ సొసైటీల మద్దతుతో 700+ ఓపెన్ యాక్సెస్ జర్నల్లను ప్రచురిస్తుంది , ఇందులో 50000 మంది ప్రముఖ వ్యక్తులు, ప్రఖ్యాత శాస్త్రవేత్తలు ఎడిటోరియల్ బోర్డ్ సభ్యులుగా ఉన్నారు.
ఎక్కువ మంది పాఠకులు మరియు అనులేఖనాలను పొందే ఓపెన్ యాక్సెస్ జర్నల్స్
700 జర్నల్స్ మరియు 15,000,000 రీడర్లు ప్రతి జర్నల్ 25,000+ రీడర్లను పొందుతున్నారు
Hashmi MZ, Shamseldin AY and Melville BW
Statistical downscaling has become an important part in most of the watershed scale climate change investigations. It is usually performed using multiple regression-based models. Basic working principle of such models is to develop a suitable relationship between the large scale (predictors) and the local climatic parameters called predictands. The development of such relationships using linear regression becomes very challenging when the local parameter to be downscaled is complex in nature such as precipitation. For this reason, use of nonlinear data driven techniques including Artificial Neural Networks (ANNs) is becoming more and more popular. Therefore, an attempt has been made in the study presented here to introduce a new Multi-Layer Perceptron (MLP) ANN-based scheme to develop a robust predictors-predictand relationship to be used as a downscaling model at daily time scale. The efficiency of this model has been compared with a popularly used model called Statistical Down Scaling Model (SDSM), for daily precipitation at the Clutha watershed in New Zealand. The results show that the model developed based on ANN scheme exhibits better performance than the SDSM. Hence, it is concluded that the use of artificial intelligence techniques such as ANN can greatly help in developing more efficient predictor-predictand models for even for precipitation being the toughest climate variable to model