Using Natural Variability as a Baseline to Evaluate the Performance of Bias Correction Methods in Hydrological Climate Change Impact Studies
Notice bibliographique
Résumé
Abstract Postprocessing of climate model outputs is usually performed to remove biases prior to performing climate change impact studies. The evaluation of the performance of bias correction methods is routinely done by comparing postprocessed outputs to observed data. However, such an approach does not take into account the inherent uncertainty linked to natural climate variability and may end up recommending unnecessary complex postprocessing methods. This study evaluates the performance of bias correction methods using natural variability as a baseline. This baseline implies that any bias between model simulations and observations is only significant if it is larger than the natural climate variability. Four bias correction methods are evaluated with respect to reproducing a set of climatic and hydrological statistics. When using natural variability as a baseline, complex bias correction methods still outperform the simplest ones for precipitation and temperature time series, although the differences are much smaller than in all previous studies. However, after driving a hydrological model using the bias-corrected precipitation and temperature, all bias correction methods perform similarly with respect to reproducing 46 hydrological metrics over two watersheds in different climatic zones. The sophisticated distribution mapping correction methods show little advantage over the simplest scaling method. The main conclusion is that simple bias correction methods appear to be just as good as other more complex methods for hydrological climate change impact studies. While sophisticated methods may appear more theoretically sound, this additional complexity appears to be unjustified in hydrological impact studies when taking into account the uncertainty linked to natural climate variability.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».