MétaCan
Menu
Retour à la cohorte
Enregistrement W2023895820 · doi:10.1002/joc.3899

Evaluating model‐simulated variability in temperature extremes using modified percentile indices

2013· article· en· W2023895820 sur OpenAlexaff
Jana Sillmann, V. V. Kharin, Francis W. Zwiers, Xuebin Zhang, D. Bronaugh, Markus G. Donat

Notice bibliographique

RevueInternational Journal of Climatology · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensEnvironment and Climate Change CanadaImpactPacific Institute for Climate Solutions
Organismes subventionnairesNational Oceanic and Atmospheric AdministrationNorges ForskningsrådDeutsche ForschungsgemeinschaftU.S. Department of Energy
Mots-clésPercentileEnvironmental scienceCoupled model intercomparison projectClimatologyRange (aeronautics)Mean radiant temperatureClimate modelMeteorologyStandard deviationClimate changeStatisticsMathematicsGeography

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Percentile indices monitoring the frequency of moderate temperature extremes are widely used to assess changes in present and future temperature extremes because of their straightforward interpretation. While observed trends in such indices can be, and have been, compared with model‐simulated trends, their definition relative to each model's own climatology inhibits their use for the evaluation of model‐simulated temperature variability. This is unfortunate, as in many parts of the world, indices from observations remain the only source of publicly available information about extreme temperature variability. We approach this problem by introducing a novel adjustment to the standard method for deriving indices from climate models. This involves the removal of the bias in the mean annual cycle of the models and the use of percentile thresholds from a reference data set. We illustrate the technique by comparing daily minimum (TN) and maximum (TX) temperatures from the fifth phase of Coupled Model Intercomparison Project ( CMIP5 ) historical simulations with those from an observation‐based data set and from the National Centers for Environmental Prediction/National Center for Atmospheric Research ( NCEP/NCAR ) and the European Centre for Medium‐Range Weather Forecasts ( ERA ‐40) reanalyses. Biases in the annual cycle also translate into biases in the representation of the percentile indices in the models and reanalyses. Generally, percentile indices based on daily TX are well represented by the models and reanalyses compared to the observations. For percentile indices based on daily minimum temperature, however, large discrepancies occur particularly between the reanalyses.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,018
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,066
Tête enseignante GPT0,363
Écart entre enseignants0,297 · 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

Citations24
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of ClimatologyMême sujetClimate variability and modelsTravaux en français237 207