Development and validation of the Climate Model Confidence Index (CMCI): measuring ability to reproduce historical climate conditions
Notice bibliographique
Résumé
Abstract This study further develops and finally validates the Climate Model Confidence Index (CMCI) as a simple and effective metric for evaluating and ranking the ability of climate models to reproduce historical climate conditions. Modelled daily climate data outputs from two different statistical downscaling techniques (PCIC: Pacific Climate Impacts Consortium; SDSM: Statistical Down-Scaling Model) are compared with observational data recorded by Environment Canada weather stations located in Kelowna, BC (Canada), for the period from 1969 to 2005. Using daily data ( N > 13,000), Student’s t -tests determined if there were statistically significant differences between the modelled and observed means while ANOVA F -tests identified differences between variances. Using aggregated annual data ( N = 37), CMCI values were also calculated for the individual model runs from each statistical downscaling technique. Climate model outputs were ranked according to the absolute value of the t statistics. The 20 SDSM ensembles outperformed the 27 PCIC models for both minimum and maximum temperatures, while PCIC outperformed SDSM for total precipitation. Linear regression determined the correlation between the absolute value of the t statistics and the corresponding CMCI values ( R 2 > 0.99, P < 0.001). Rare discrepancies (< 10% of all model rankings) between the t statistic and CMCI rankings occurred at the third decimal place and resulted in a one rank difference between models. These discrepancies are attributed to the precision of the t tests which rely on daily data and consider observed as well as modelled variance, whereas the simplicity and utility of the CMCI are demonstrated by only requiring annual data and observed variance to calculate.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».