A Framework to Quantify the Uncertainty Contribution of GCMs Over Multiple Sources in Hydrological Impacts of Climate Change
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The quantification of climate change impacts on hydrology is subjected to multiple uncertainty sources. Large ensembles of hydrological simulations based on multimodel ensembles (MMEs) have been commonly applied to represent overall uncertainty of hydrological impacts. However, as increasing numbers of global climate models (GCMs) are being developed, how many GCMs in MMEs are sufficient to characterize overall uncertainty is not clear. Therefore, this study investigates the influences of GCM quantity on quantifying overall uncertainty and uncertainty contributions of multiple sources in hydrological impacts. Large ensembles of hydrological simulations are obtained through the permutation of 3 greenhouse gas emission scenarios, 22 GCMs, 6 downscaling techniques, 5 hydrological models (HMs), and 5 sets of HM parameters, which enables to decompose uncertainty components using analysis of variance. The influences of GCM quantity are investigated by repeatedly conducting uncertainty decomposition for hydrological simulations from subsets with different numbers of GCMs. The results show that GCMs are the leading uncertainty sources in evaluating changes in annual and peak streamflows, while for changes in low flow, other uncertainty sources except HM parameters also have large contributions to overall uncertainty. Furthermore, on the condition of using no more than five GCMs, there are large possibilities that the overall uncertainty and GCMs' uncertainty contribution are underestimated. Using around 10 GCMs can ensure that the median of different combinations generates similar uncertainty components as the whole ensemble. Therefore, it is recommended to use at least 10 GCMs in studies of climate change impacts on hydrology to thoroughly quantify uncertainty.
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.
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 | 0,000 | 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 découle