Sensitivity of the Statistical DownScaling Model (SDSM) to reanalysis products
Notice bibliographique
Résumé
Numerous general circulation models (GCMs) have been designed by climate centres to predict future climate. An outstanding issue with the use of GCM output for local applications is the coarse spatial resolution. To produce accurate daily predictions of future climate variables at the regional scale, the Statistical DownScaling Model (SDSM) is a commonly used downscaling technique. The SDSM statistically identifies relationships between large‐scale predictors (i.e., GCM) and local‐scale predictands, using a multiple linear regression model. Reanalyses, such as those produced by the National Centers for Environmental Prediction/National Center for Atmospheric Research (NCEP/NCAR) and the European Centre for Medium‐range Weather Forecasts (ECMWF), are important components for the structuring of the SDSM as they supply the predictor values for the calibration and validation of the model. It is well known that the reanalysis products contain biases which may subsequently affect the development of downscaling scenarios when used with the SDSM. In this paper, separate downscaled precipitation and temperature scenarios were generated using the SDSM with the calibrations and validations derived from two different reanalyses for a climate station in southern Ontario. From these comparisons, we have identified statistically significant differences between the two time series. Therefore, it is clear that choice of the reanalysis used to calibrate the SDSM can significantly affect the downscaled scenario over a region evaluated in southern Ontario.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».