Quantification of Uncertainty in High-Resolution Temperature Scenarios for North America
Notice bibliographique
Résumé
A framework for the construction of probabilistic projections of high-resolution monthly temperature over North America using available outputs of opportunity from ensembles of multiple general circulation models (GCMs) and multiple regional climate models (RCMs) is proposed. In this approach, a statistical relationship is first established between RCM output and that from the respective driving GCM and then this relationship is applied to downscale outputs from a larger number of GCM simulations. Those statistically downscaled projections were used to estimate empirical quantiles at high resolution. Uncertainty in the projected temperature was partitioned into four sources including differences in GCMs, internal variability simulated by GCMs, differences in RCMs, and statistical downscaling including internal variability at finer spatial scale. Large spatial variability in projected future temperature changes is found, with increasingly larger changes toward the north in winter temperature and larger changes in the central United States in summer temperature. Under a given emission scenario, downscaling from large scale to small scale is the most important source of uncertainty, though structural errors in GCMs become equally important by the end of the twenty-first century. Different emission scenarios yield different projections of temperature change. This difference increases with time. The difference between the IPCC’s Special Report on Emissions Scenarios (SRES) A2 and B1 in the median values of projected changes in 30-yr mean temperature is small for the coming 30 yr, but can become almost as large as the total variance due to internal variability and modeling errors in both GCM and RCM later in the twenty-first century.
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 | 0,001 | 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 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 ».