Selecting GCM Scenarios that Span the Range of Changes in a Multimodel Ensemble: Application to CMIP5 Climate Extremes Indices*
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Logistical constraints can limit the number of global climate model (GCM) simulations considered in a climate change impact assessment. When dealing with annual or seasonal variables, one can visualize and manually select GCM scenarios to cover as much of the ensemble’s range of changes as possible. Most environmental systems are sensitive to climate conditions (e.g., extremes) that cannot be described by a small number of variables. Instead, algorithms like k-means clustering have been used to select representative ensemble members. Clustering algorithms are, however, biased toward high-density regions of climate variable space and tend to select scenarios that describe the central tendency rather than the full spread of an ensemble. Also, scenarios selected via clustering may not be ordered: that is, scenarios in the five-cluster solution may not appear in the six-cluster solution, which makes recommending a consistent set of scenarios to researchers with different needs difficult. Alternatively, an automated procedure based on a cluster initialization algorithm is proposed and applied to changes in 27 climate extremes indices between 1986–2005 and 2081–2100 from a large ensemble of phase 5 of the Coupled Model Intercomparison Project (CMIP5) simulations. Selections by the method are ordered and are designed to span the overall range of the ensemble. The number of scenarios required to account for changes spanned by at least 90% of the CMIP5 ensemble members is reported for 21 regions of the globe and compared with k-means clustering. On average, the proposed method requires 40% fewer scenarios to meet this threshold than k-means clustering does.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle