Uncertainty of precipitation reference dataset for climate change impact studies
Notice bibliographique
Résumé
Abstract. Climate change impact studies typically require a reference climatological dataset providing a baseline period to assess future changes. The reference dataset is also used to perform bias correction of climate model outputs. Various reliable precipitation datasets are now available over regions with a high-density network of weather stations such as over most parts of Europe and in the United States. In many of the world’s regions, the low-density of observation stations (or lack thereof) renders gauge-based precipitation datasets highly uncertain. Satellite, reanalysis and merged products can be used to overcome this limitation. However, each dataset brings additional uncertainty to the reference climate. This study compares ten precipitation datasets over 1091 African catchments to evaluate dataset uncertainty contribution in climate change studies. The precipitation datasets include two gauged-only products (GPCC, CPC), four satellite products (TRMM, CHIRPS, PERSIANN-CDR and TAMSAT) corrected using ground-based observations, three reanalysis products (ERA5, ERA-I, and CFSR) and one merged product of gauge, satellite, and reanalysis (MSWEP). Each of those datasets was used to assess changes in future streamflows. The climate change impact study used a top-down modelling chain using 10 CMIP5 GCMs under RCP8.5. Each climate projection was bias-corrected and fed to a lumped hydrological model to generate future streamflows over the 2071-2100 period. A variance decomposition was performed to compare GCM uncertainty and reference dataset uncertainty for 51 streamflow metrics over each catchment. Results show that dataset uncertainty is much larger than GCM uncertainty for most of the streamflow metrics and over most of Africa. A selection of the best performing reference datasets (credibility ensemble) significantly reduced the uncertainty attributed to datasets, but remained comparable to that of GCMs in most cases. Results show also relatively small differences between datasets over a reference period can propagate to generate large amounts of uncertainty in the future climate.
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 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,006 |
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 ».