Climate Change Impact Studies: Should We Bias Correct Climate Model Outputs or Post‐Process Impact Model Outputs?
Notice bibliographique
Résumé
Abstract The inter‐variable dependence of climate variables is usually not considered in many bias correction methods, even though it has been deemed important for various impact studies. Another possible approach is to forgo the bias correction of climate model outputs, and instead, post‐process the outputs of the impact model. This has the advantage of circumventing the difficulties associated with correcting the inter‐variable dependence of climate variables. Using a hydrological impact study as an example, this study investigates the feasibility of bias correcting impact model outputs by comparing the performance of the pre‐processing and post‐processing of hydrological model simulations when using bias correction methods. The performance over calibration and validation periods was used to assess the transferability of both approaches. The results show that both the pre‐processing and post‐processing procedures are capable of significantly reducing the bias of simulated streamflow time series for most global climate models (GCMs), even though their performances depend on GCM simulations, hydrological models, streamflow metrics and watersheds. Both approaches were likely to perform badly over the validation period when bias correction factors have a strong seasonal variability and are therefore sensitive to bias nonstationarity of climate model outputs and/or streamflow between the calibration and validation periods. This problem is found to be more acute for the post‐processing method because streamflows often have a seasonal pattern with more abrupt changes than precipitation and temperature. For this reason, pre‐processing is recommended as it is less likely to suffer from this problem.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».