An Assessment of Six Dissimilarity Metrics for Climate Analogs
Notice bibliographique
Résumé
Abstract Spatial analog techniques consist in identifying locations whose historical climate is similar to the anticipated future climate at a reference location. In the process of identifying analogs, one key step is the quantification of the dissimilarity between two climates separated in time and space, which involves the choice of a metric. In this study, six a priori suitable metrics are described (the standardized Euclidean distance, the Kolmogorov–Smirnov statistic, the nearest-neighbor distance, the Zech–Aslan energy statistic, the Friedman–Rafsky runs statistic, and the Kullback–Leibler divergence) and criteria are proposed and investigated in an attempt to identify the best metric for selecting spatial analogs. The case study involves the use of numerical simulations performed with the Canadian Regional Climate Model (CRCM, version 4.2.3), from which three annual indicators (total precipitation, heating degree-days, and cooling degree-days) are calculated over 30-yr periods (1971–2000 and 2041–70). It is found that the six metrics identify comparable analog regions at a relatively large scale but that best analogs may differ substantially. For best analogs, it is shown that the uncertainty stemming from the metric choice does not generally exceed that stemming from the simulation or model choice. On the basis of the set of criteria considered in this study, the Zech–Aslan energy statistic stands out as the most recommended metric for analog studies, whereas the Friedman–Rafsky runs statistic is the least recommended.
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 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».