A novel approach for selecting extreme climate change scenarios for climate change impact studies
Notice bibliographique
Résumé
One of the main challenges in climate change impact assessment studies is selecting climate change scenarios. By focusing on selecting projected extremes in a high dimensional space, one is confronted with the shrinkage of ensemble size while preserving the projection spread. This study proposes a novel integrated computational geometry algorithm to select extreme climate change scenarios in a high dimensional space. A set of 12 prominent climate extremes indices were used (as input to the algorithm) out of the 27 core indices recommended by the World Meteorological Organization's Expert Team on Climate Change Detection and Indices (ETCCDI). The ETCCDI indices were projected by Coupled Model Intercomparison Project Phase 5 (CMIP5) for the period of 2081-2100 relative to the baseline period 1986-2005. The approach enables the user to shrink the initial selected ensemble into smaller sub-ensembles while still capturing a wide range of simulated changes for selected climatological variables. The conservation of the projection spread was evaluated using a robust validation method when the spread error was calculated for each simulation run. The developed algorithm was applied to three different regions where the geographical domain was narrowed-down from sub-continental (western North America) to its regional (Alberta, Canada), and local (Athabasca River basin, Alberta, Canada) subdomains. Results revealed that selected extreme scenarios can vary from one region to another within the same geographical domain in response to the spatial variation in climatic regime.
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 | 0,003 | 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 | 0,001 | 0,001 |
| 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 ».