Seasonal and regional biases in CMIP5 precipitation simulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study provides insight into how CMIP5 climate models perform in simulating summer and winter precipitation at different geographical locations and climate conditions. Precipitation biases in the CMIP5 historical (1901 to 2005) simulations relative to the Climatic Research Unit (CRU) observations are evaluated over 8 regions exhibiting distinct seasonal hydroclimates: moist tropical (Amazonia and central Africa), monsoonal (southern China), moist continental (central Europe), semi-arid (western United States and eastern Australia), and polar (Siberia and Canada). While the bias and monthly quantile bias (MQB) reflect no substantial differences in CMIP5 summer and winter precipitation simulations at the global scale, strong seasonality and high inter-model variability are found over the selected moist tropical regions (i.e. Amazonia and central Africa). In the semi-arid regions, high inter-model precipitation variability is also displayed, especially in summer, while the median of simulations is an overestimate of both winter and summer precipitation. In Siberia and central Europe, most CMIP5 models underestimate summer precipitation, and overestimate it in winter. Also, the MQB values decrease as the choice of quantile thresholds increase, implying that the underestimation of summer precipitation is primarily associated with biases in lower quantiles of the precipitation distribution. While the CMIP5 models exhibit similar behaviors in simulating high-latitude winter precipitation, they differ substantially in summer simulations for the selected Canadian and Siberian regions. Finally, in the monsoonal southern China region, CMIP5 models exhibit large overall precipitation biases in both summer and winter, as well as at higher quantiles.
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.
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 | 0,002 | 0,001 |
| 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) | 0,001 | 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 découle