Using reanalysis‐driven regional climate model outputs for hydrology modelling
Notice bibliographique
Résumé
Abstract Bias correction methods are usually applied to climate model outputs before using these outputs for hydrological climate change impact studies. However, the use of a bias correction procedure is debatable, due to the lack of physical basis and the bias nonstationarity of climate model outputs between future and historical periods. The direct use of climate model outputs for impact studies has therefore been recommended in a few studies. This study investigates the possibility of using reanalysis‐driven regional climate model (RCM) outputs directly for hydrological modelling by comparing the performance of bias‐corrected and nonbias‐corrected climate simulations in hydrological simulations over 246 watersheds in the Province of Québec, Canada. When using RCM outputs directly, the hydrological model is specifically calibrated using RCM simulations. Two evaluation metrics (Nash–Sutcliffe efficiency [NSE] and transformed root mean square error [TRMSE]) and three hydrological indicators (mean, high, and low flows) are used as criteria for this comparison. Two reanalysis‐driven RCMs with resolutions of 45 km and 15 km are used to investigate the scale effect of climate model simulations and bias correction approaches on hydrology modelling. The results show that nonbias‐corrected simulations perform better than bias‐corrected simulations for the reproduction of the observed streamflows when using NSE and TRMSE as criteria. The nonbias‐corrected simulations are also better than or comparable with the bias‐corrected simulations in terms of reproducing the three hydrological indicators. These results imply that the raw RCM outputs driven by reanalysis can be used directly for hydrological modelling with a specific calibration of hydrological models using these datasets when gauged observations are scarce or unavailable. The nonbias‐corrected simulations (at a minimum) should be provided to end users, along with the bias‐corrected ones, especially for studying the uncertainty of hydrological climate change impacts. This is especially true when using an RCM with a high resolution, since the scale effect is observed when the RCM resolution increases from a 45‐km to a 15‐km scale.
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 | 0,000 | 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 | 0,001 | 0,001 |
| 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 ».