Evaluation and Comparison of CanRCM4 and CRCM5 to Estimate Probable Maximum Precipitation over North America
Notice bibliographique
Résumé
Abstract Recently dam managers have begun to use data produced by regional climate models to estimate how probable maximum precipitation (PMP) might evolve in the future. Before accomplishing such a task, it is essential to assess PMP estimates derived from regional climate models (RCMs). In the current study PMP over North America estimated from two Canadian RCMs, CanRCM4 and CRCM5, is compared with estimates derived from three reanalysis products: ERA-Interim, NARR, and CFSR. An additional hybrid dataset (MSWEP-ERA) produced by combining precipitation from the Multi-Source Weighted-Ensemble Precipitation (MSWEP) dataset and precipitable water (PW) from ERA-Interim is also considered to derive PMP estimates that can serve as a reference. A recently developed approach using a statistical bivariate extreme values distribution is used to provide a probabilistic description of the PMP estimates using the moisture maximization method. Such a probabilistic description naturally allows an assessment of PMP estimates that includes quantification of their uncertainty. While PMP estimates based on the two RCMs exhibit spatial patterns similar to those of MSWEP-ERA and the three sets of reanalyses on the continental scale over North America, CanRCM4 has a tendency for overestimation while CRCM5 has a tendency for modest underestimation. Generally, CRCM5 shows good agreement with ERA-Interim, while CanRCM4 is more comparable to CFSR. Overall, the good ability of the two RCMs to reproduce the major characteristics of the different components involved in the estimation of PMP suggests that they may be useful tools for PMP estimation that could serve as a basis for flood studies at the basin 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 | 0,001 | 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 ».