A weighting scheme to incorporate large ensembles in multi-model ensemble projections
Notice bibliographique
Résumé
Abstract. Multi-model ensembles can be used to estimate uncertainty in projections of regional climate, but this uncertainty often depends on the constituents of the ensemble. The dependence of uncertainty on ensemble composition is clear when single model initial condition large ensembles (SMILEs) are included within a multi-model ensemble. SMILEs introduce new information into a multi-model ensemble by representing region-scale internal variability, but also introduce redundant information, by virtue of a single model being represented by 50–100 outcomes. To preserve the contribution of internal variability and ensure redundancy does not overwhelm uncertainty estimates, a weighting approach is used to incorporate 50-members of the Community Earth System Model (CESM1.2.2), 50-members of the Canadian Earth System Model (CanESM2), and 100-members of the MPI Grand Ensemble (MPI-GE) into an 88-member Coupled Model Intercomparison Project Phase 5 (CMIP5) multi-model ensemble. The weight assigned to each multi-model ensemble member is based on the member's ability to reproduce observed climate (performance) and scaled by a measure of redundancy (dependence). Surface air temperature (SAT) and sea level pressure (SLP) diagnostics are used to determine the weights, and relationships between present and future diagnostic behavior are discussed. A new diagnostic, estimated forced trend, is proposed to replace a diagnostic with no clear emergent relationship, 50-year regional SAT trend. The influence of the weighting is assessed in estimates of Northern European winter and Mediterranean summer end-of-century warming in the CMIP5 and combined SMILE-CMIP5 multi-model ensembles. The weighting is shown to recover uncertainty obscured by SMILE redundancy, notably in Mediterranean summer. For each SMILE, the independence weight of each ensemble member as a function of the number of SMILE members included in the CMIP5 ensemble is assessed. The independence weight increases linearly with added members with a slope that depends on SMILE, region, and season. Finally, it is shown that the weighting method can be used to guide SMILE member selection if a subsetted ensemble with one member per model is sought. The weight a SMILE receives within a subsetted ensemble depends on which member is used to represent it, reinforcing the advantage of weighting and incorporating all initial condition ensemble members in multi-model ensembles.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».