Statistical Downscaling of Temperature Using Global Climate Model Outputs - Effect of Bias correction
Notice bibliographique
Résumé
General Circulation Models (GCMs) are the primary source of knowledge for constructing climate scenarios and provide the basis for quantifying the climate change impacts at multi-scales and from local to global. However, the climate model simulations have a lower resolution than the desired watershed or hydrologic scale. Different downscaling methodologies are adopted to transform the global scale (coarser resolution) climate information to the local scale (finer resolution). One of the drawbacks of the GCM simulations is the systematic bias relative to historical observations. Bias correction is thus required to adjust the simulated values to reflect the observed distribution and statistics. In this study, the effect of bias correction is evaluated on the statistical downscaling models' performance to predict the temperature. Three statistical downscaling models are used: (i) Multi-linear Regression (MLR); (ii) Generalized Regression Neural Network (GRNN); and (iii) Cascade Neural Network (CasNN). The average daily temperature simulations generated by 25 GCMs of Coupled Model Intercomparison Project Phase-5 (CMIP5) are used in the study. The analysis is carried out at 22 stations of the Upper Thames River Basin (UTRB) in Canada during the baseline period of 1950 to 2005. The downscaling models' performance is evaluated using the Pearson Correlation Coefficient (CC) and Nash Sutcliffe Efficiency (NSE). The results indicated that bias correction had improved all the downscaling models' performance at all stations of UTRB. The respective increase in CC and NSE values for (i) MLR is 8% and 10%; (ii) GRNN is 4% and 7%; and (iii) CasNN is 4% and 8%. Among the three downscaling models, multi-linear regression and cascade neural network models have shown similar performance.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».