Multivariate Bias Correction of Climate Model Output: Matching Marginal Distributions and Intervariable Dependence Structure
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
Abstract Univariate bias correction algorithms, such as quantile mapping, are used to address systematic biases in climate model output. Intervariable dependence structure (e.g., between different quantities like temperature and precipitation or between sites) is typically ignored, which can have an impact on subsequent calculations that depend on multiple climate variables. A novel multivariate bias correction (MBC) algorithm is introduced as a multidimensional analog of univariate quantile mapping. Two variants are presented. MBCp and MBCr respectively correct Pearson correlation and Spearman rank correlation dependence structure, with marginal distributions in both constrained to match observed distributions via quantile mapping. MBC is demonstrated on two case studies: 1) bivariate bias correction of monthly temperature and precipitation output from a large ensemble of climate models and 2) multivariate correction of vertical humidity and wind profiles, including subsequent calculation of vertically integrated water vapor transport and detection of atmospheric rivers. The energy distance is recommended as an omnibus measure of performance for model selection. As expected, substantial improvements in performance relative to quantile mapping are found in each case. For reference, characteristics of the MBC algorithm are compared against existing bivariate and multivariate bias correction techniques. MBC performs competitively and fills a role as a flexible, general purpose multivariate bias correction algorithm.
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 | 0,001 | 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 | 0,001 |
| 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 découle