The impact of bias correcting regional climate model results on hydrological indicators for Bavarian catchments
Notice bibliographique
Résumé
The Mindel river catchment, gauge Offingen, Bavaria, Germany. The study investigates the potential interference of climate change signals (CCS) in hydrological indicators due to the application of bias correction (BC) of regional climate models (RCM). A validated setup of the hydrological model WaSiM was used for runoff modeling. The CCS, gained by the application of three RCMs (CCLM, REMO-UBA, RACMO2) for a reference period (1971–2000) and a scenario period (2021–2050), are evaluated according to eight hydrological indicators derived from modeled runoff. Three different BC techniques (linear scaling, quantile mapping, local intensity scaling) are applied. New hydrological insights for the region: Runoff indicators are calculated for the investigated catchment using bias corrected RCM data. The quantile mapping approach proves superior to linear scaling and local intensity scaling and is recommended as the bias correction method of choice when assessing climate change impacts on catchment hydrology. Extreme flow indicators (high flows), however, are poorly represented by any bias corrected model results, as current approaches fail to properly capture extreme value statistics. The CCS of mean hydrological indicator values (e.g. mean flow) is well preserved by almost every BC technique. For extreme indicator values (e.g. high flows), the CCS shows distinct differences between the original RCM and BC data.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 ».