MétaCan
Menu
Retour à la cohorte
Enregistrement W1972946271 · doi:10.1007/s00382-012-1415-z

Potential for small scale added value of RCM’s downscaled climate change signal

2012· article· en· W1972946271 sur OpenAlexafffund
Alejandro Di Luca, Ramón de Elía, René Laprise

Notice bibliographique

RevueClimate Dynamics · 2012
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensOuranosUniversité du Québec à Montréal
Organismes subventionnairesNational Oceanic and Atmospheric AdministrationCanadian Foundation for Climate and Atmospheric SciencesFonds Québécois de la Recherche sur la Nature et les TechnologiesU.S. Environmental Protection AgencyU.S. Department of EnergyOffice of Research and DevelopmentNational Science Foundation
Mots-clésDownscalingClimatologyScale (ratio)Climate modelHindcastEnvironmental scienceClimate changeSIGNAL (programming language)PrecipitationComputer scienceMeteorologyGeographyGeology

Résumé

récupéré en direct d'OpenAlex

In recent decades, the need of future climate information at local scales have pushed the climate modelling community to perform increasingly higher resolution simulations and to develop alternative approaches to obtain fine-scale climatic information. In this article, various nested regional climate model (RCM) simulations have been used to try to identify regions across North America where high-resolution downscaling generates fine-scale details in the climate projection derived using the “delta method”. Two necessary conditions were identified for an RCM to produce added value (AV) over lower resolution atmosphere-ocean general circulation models in the fine-scale component of the climate change (CC) signal. First, the RCM-derived CC signal must contain some non-negligible fine-scale information—independently of the RCM ability to produce AV in the present climate. Second, the uncertainty related with the estimation of this fine-scale information should be relatively small compared with the information itself in order to suggest that RCMs are able to simulate robust fine-scale features in the CC signal. Clearly, considering necessary (but not sufficient) conditions means that we are studying the “potential” of RCMs to add value instead of the AV, which preempts and avoids any discussion of the actual skill and hence the need for hindcast comparisons. The analysis concentrates on the CC signal obtained from the seasonal-averaged temperature and precipitation fields and shows that the fine-scale variability of the CC signal is generally small compared to its large-scale component, suggesting that little AV can be expected for the time-averaged fields. For the temperature variable, the largest potential for fine-scale added value appears in coastal regions mainly related with differential warming in land and oceanic surfaces. Fine-scale features can account for nearly 60 % of the total CC signal in some coastal regions although for most regions the fine scale contributions to the total CC signal are of around ∼5 %. For the precipitation variable, fine scales contribute to a change of generally less than 15 % of the seasonal-averaged precipitation in present climate with a continental North American average of ∼5 % in both summer and winter seasons. In the case of precipitation, uncertainty due to sampling issues may further dilute the information present in the downscaled fine scales. These results suggest that users of RCM simulations for climate change studies in a delta method framework have little high-resolution information to gain from RCMs at least if they limit themselves to the study of first-order statistical moments. Other possible benefits arising from the use of RCMs—such as in the large scale of the downscaled fields– were not explored in this research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,038
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,038
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,241
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations130
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueClimate DynamicsMême sujetClimate variability and modelsTravaux en français237 207