The effect of GCM biases on global runoff simulations of a land surface model
Notice bibliographique
Résumé
Abstract. Global climate model (GCM) outputs feature systematic biases that render them unsuitable for direct use by impact models, especially for hydrological studies. To deal with this issue, many bias correction techniques have been developed to adjust the modelled variables against observations, focusing mainly on precipitation and temperature. However, most state-of-the-art hydrological models require more forcing variables, in addition to precipitation and temperature, such as radiation, humidity, air pressure, and wind speed. The biases in these additional variables can hinder hydrological simulations, but the effect of the bias of each variable is unexplored. Here we examine the effect of GCM biases on historical runoff simulations for each forcing variable individually, using the JULES land surface model set up at the global scale. Based on the quantified effect, we assess which variables should be included in bias correction procedures. To this end, a partial correction bias assessment experiment is conducted, to test the effect of the biases of six climate variables from a set of three GCMs. The effect of the bias of each climate variable individually is quantified by comparing the changes in simulated runoff that correspond to the bias of each tested variable. A methodology for the classification of the effect of biases in four effect categories (ECs), based on the magnitude and sensitivity of runoff changes, is developed and applied. Our results show that, while globally the largest changes in modelled runoff are caused by precipitation and temperature biases, there are regions where runoff is substantially affected by and/or more sensitive to radiation and humidity. Global maps of bias ECs reveal the regions mostly affected by the bias of each variable. Based on our findings, for global-scale applications, bias correction of radiation and humidity, in addition to that of precipitation and temperature, is advised. Finer spatial-scale information is also provided, to suggest bias correction of variables beyond precipitation and temperature for regional studies.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».