Name: Analyse des séries temporelles du changement climatique (en Francés)
SKU: 66286311
Price: 1002.86 MXN
Availability: InStock
Author: N, Mani; S, Rithika; P. K., Sivakumaran
ISBN: 9786209012013

portada Analyse des séries temporelles du changement climatique (en Francés)

Analyse des séries temporelles du changement climatique (en Francés)

Formato

Libro Físico

Editorial

Editions Notre Savoir

Autor

N, Mani; S, Rithika; P. K., Sivakumaran

Idioma

Francés

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.4 cm

ISBN13

9786209012013

Analyse des séries temporelles du changement climatique (en Francés)

N, Mani; S, Rithika; P. K., Sivakumaran (Autor) · Editions Notre Savoir · Tapa Blanda

Libro Nuevo Importado

Envío: 15 a 20 días háb.

$ 2,228.57$ 1,002.86

-55%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 100 unidades

$ 1,002.86

¡Envío Gratis! Llega entre el 25 Sep y el 05 Oct a CUAUHTÉMOC, Ciudad de México. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Analyse des séries temporelles du changement climatique (en Francés)"

Ce livre explore l'importance d'une prévision précise des précipitations pour la gestion des ressources en eau, l'agriculture et la préparation aux catastrophes. Il présente une analyse comparative de deux modèles de prévision - la régression vectorielle de soutien (SVR) et la moyenne mobile intégrée auto-régressive saisonnière (SARIMA) - en utilisant des données pluviométriques historiques de 2008 à 2021 pour prédire les tendances de 2022 à 2026. Grâce à des techniques statistiques et de visualisation telles que l'analyse des tendances, les moyennes mobiles, les diagrammes en boîte, les cartes thermiques, les scores Z et les diagrammes de densité, l'étude identifie des modèles et des anomalies dans les données pluviométriques. Alors que les deux modèles montrent une bonne capacité de prédiction, le SVR démontre une performance supérieure, en particulier dans la capture de modèles complexes et non linéaires. L'ouvrage souligne les avantages de l'intégration des méthodes d'apprentissage automatique aux outils statistiques traditionnels pour améliorer la prévision des précipitations et soutenir les décisions fondées sur des données dans les domaines de l'agriculture, de la planification environnementale et de la résilience climatique.