Finding appropriate bias correction methods in downscaling precipitation for hydrologic impact studies over North America
Notice bibliographique
Résumé
This work compares the performance of six bias correction methods for hydrological modeling over 10 North American river basins. Four regional climate model (RCM) simulations driven by reanalysis data taken from the North American Regional Climate Change Assessment Program intercomparison project are used to evaluate the sensitivity of bias correction methods to climate models. The hydrological impacts of bias correction methods are assessed through the comparison of streamflows simulated by a lumped empirical hydrology model (HSAMI) using raw RCM‐simulated and bias‐corrected precipitation time series. The results show that RCMs are biased in the simulation of precipitation, which results in biased simulated streamflows. All six bias correction methods are capable of improving the RCM‐simulated precipitation in the representation of watershed streamflows to a certain degree. However, the performance of hydrological modeling depends on the choice of a bias correction method and the location of a watershed. Moreover, distribution‐based methods are consistently better than mean‐based methods. A low coherence between the temporal sequences of observed and RCM‐simulated (driven by reanalysis data) precipitation was observed over 5 of the 10 watersheds studied. All bias corrections methods fail over these basins due to their inability to specifically correct the temporal structure of daily precipitation occurrence, which is critical for hydrology modeling. In this study, this failure occurred on basins that were distant from the RCM model boundaries and where topography exerted little control over precipitation. These results indicate that bias correction performance is location dependent and that a careful validation should always be performed, especially on studies over new regions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».