Using a Statistical Preanalysis Approach as an Ensemble Technique for the Unbiased Mapping of GCM Changes to Local Stations
Notice bibliographique
Résumé
Abstract Accounting for climate change, GCM-based projections and their uncertainty are relevant to study potential impacts on hydrological regimes as well as to analyze, operate, and design water infrastructure. Traditionally, several downscaled and/or bias-corrected GCM projections are individually or jointly used to map the raw GCMs’ changes to local stations and evaluate uncertainty. However, the preservation of GCMs’ statistical attributes is by no means guaranteed, and thus alternative methods to cope with this issue are needed. This work develops an ensemble technique for the unbiased mapping of GCM changes to local stations, which preserves local climate variability and the GCMs’ statistics. In the approach, trend percentiles are extracted from the GCMs to represent the range of future long-term climate conditions to which local climatic variability is added. The approach is compared against a method in which each GCM is individually used to build future climatic scenarios from which percentiles are computed. Both approaches were compared to study future precipitation conditions in three Chilean basins under future climate projections based on 45 GCM runs under the RCP8.5 scenario. Overall, the approaches produce very similar results, even if a few trend percentiles are adopted in the GCM preanalysis. In fact, using 5–10 percentiles produces a mean absolute difference of 0.4% in the estimation of the probabilities of consecutive years under different precipitation thresholds, which is ~60% less than the error obtained using the median trend. Thus, the approach successfully preserves the GCM’s statistical attributes while incorporating the range of projected climates.
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 | 0,001 | 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 | 0,000 |
| 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 ».