Improving Statistical Downscaling of General Circulation Models
Notice bibliographique
Résumé
We present a new method for the statistical downscaling of coarse-resolution General Circulation Model (GCM) fields to predict local climate change. Most atmospheric variables have strong seasonal cycles. We show that the prediction of the non-seasonal variability of maximum and minimum daily surface temperature is improved if the seasonal cycle is removed prior to the statistical analysis. The new method consists of three major steps. First, the average seasonal cycles of both predictands and predictors are removed. Second, a principal component-based multiple linear regression model between the deseasonalized predictands and predictors is developed and validated. Finally, the regression is used to make projections of future changes in maximum and minimum daily surface temperature at Shearwater, Nova Scotia. This projection is made using the local grid-scale variables of the Canadian General Circulation Model Version 3 (CGCM3) climate model as predictors. Our statistical downscaling method indicates significant skill in predicting the observed distribution of temperature using GCM predictors. Projections suggest minimum and maximum temperatures at Shearwater will be up to about five degrees warmer by 2100 under the current “business-as-usual” scenario. RÉSUMÉ [Traduit par la rédaction] Nous présentons une nouvelle méthode pour la réduction d'échelle statistique des champs des modèles de circulation générale (MCG) à faible résolution pour prévoir les changements du climat local. La plupart des variables atmosphériques ont des cycles saisonniers bien marqués. Nous démontrons que la prédiction de la variabilité non saisonnière de la température de surface quotidienne minimum et maximum est meilleure si on retranche le cycle saisonnier avant de procéder à l'analyse statistique. Voici les trois grandes étapes de cette nouvelle méthode. D'abord, nous retirons les cycles saisonniers moyens des prédictants et des prédicteurs. Ensuite, nous concevons et validons un modèle de régression linéaire multiple sur composantes principales entre les prédictants et les prédicteurs désaisonnalisés. Enfin, nous nous servons de la régression afin d'établir des projections pour les changements à venir dans la température de surface quotidienne minimum et maximum à Shearwater en Nouvelle-Écosse. Cette projection est établie au moyen des variables locales à l'échelle du maillage de la troisième version du modèle canadien de circulation générale (MCCG3). Notre méthode de réduction d'échelle statistique se révèle très efficace pour prédire la répartition observée de la température au moyen des prédicteurs du MCG. D'après les projections, les températures minimum et maximum à Shearwater connaîtront une augmentation d'environ cinq degrés d'ici 2100 dans le scénario actuel de type « statu quo ».
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».