MétaCan
Menu
← Retour à la cohorte
Enregistrement W4200291558 · doi:10.31223/x5c34c

The distinct problems of physical inconsistency and of multivariate bias potentially involved in the statistical adjustment of climate simulations

2021· preprint· en· W4200291558 sur OpenAlexafffund
Mégane Alavoine, Patrick Grenier

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensInstitut du Savoir MontfortOuranosUniversité du Québec à Montréal
Organismes subventionnairesMitacsUniversité du Québec à MontréalCanon Foundation for Scientific ResearchU.S. Department of Energy
Mots-clésUnivariateMultivariate statisticsConstraint (computer-aided design)EconometricsContext (archaeology)Computer scienceStatisticsMathematicsGeography

Résumé

récupéré en direct d'OpenAlex

Bias adjustment of numerical climate model simulations involves several technical and epistemological arguments wherein the notion of physical inconsistency is often referred to, either for rejecting the legitimacy of bias adjustment in general or for justifying the necessity of sophisticated multivariate techniques. However, this notion is often mishandled, in part because the literature generally proceeds without defining it. In this context, the central objective of this study is to clarify and illustrate the distinction between physical inconsistency and multivariate bias, by investigating the effect of bias adjustment on two different kinds of inter-variable relationships, namely a physical constraint expected to hold at every step of a time series and statistical properties that emerge with potential bias over a climatic time scale. The study involves the application of 18 alternative bias adjustment techniques on 10 climate simulations and over 12 sites across North America. Adjusted variables are temperature, pressure, relative humidity and specific humidity, linked by a thermodynamic constraint. The analysis suggests on the one hand that a clear instance of potential physical inconsistency can be avoided with either a univariate or a multivariate technique, if and only if the bias adjustment strategy explicitly considers the physical constraint to be preserved. On the other hand, it also suggests that sophisticated multivariate techniques alone aren’t complete adjustment strategies in presence of a physical constraint, as they cannot replace its explicit consideration. As a supplementary objective, this study relates common optional adjustment procedures with likely effects on diverse basic statistical properties, as an effort to guide climate information users in the determination of adequate bias adjustment strategies for their research purposes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,071
score de la tête « metaresearch » (Gemma)0,337
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,071
Score d'incertitude au seuil0,375

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0710,337
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,008
Communication savante0,0030,005
Science ouverte0,0020,005
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,285
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetClimate variability and models→Travaux en français237 207→