MétaCan
Menu
Retour à la cohorte
Enregistrement W4286502892 · doi:10.1029/2022gl098364

CMIP5 and CMIP6 Model Projection Comparison for Hydrological Impacts Over North America

2022· article· en· W4286502892 sur OpenAlexafffund
Jean‐Luc Martel, François Brissette, Magali Troin, Richard Arsenault, Jie Chen, Tianhua Su, Philippe Lucas‐Picher

Notice bibliographique

RevueGeophysical Research Letters · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensÉcole de Technologie SupérieureUniversité du Québec à Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAgence Nationale de la Recherche
Mots-clésCoupled model intercomparison projectClimatologyPrecipitationEnvironmental scienceClimate modelClimate changeMeteorologyGeographyGeology

Résumé

récupéré en direct d'OpenAlex

Abstract A warmer climate impacts streamflows and these changes need to be quantified to assess future risk, vulnerability, and to implement efficient adaptation measures. The climate simulations from the fifth phase of the Coupled Model Intercomparison Project (CMIP5), which have been the basis of most such assessments over the past decade, are being gradually superseded by the more recent Coupled Model Intercomparison Project Phase 6 (CMIP6). Our study portrays the added value of the CMIP6 ensemble over CMIP5 in a first North America wide comparison using 3,107 catchments. Results show a reduced spread of the CMIP6 ensemble compared to the CMIP5 ensemble for temperature and precipitation projections. In terms of flow indicators, the CMIP6 driven hydrological projections result in a smaller spread of future mean and high flow values, except for mountainous areas. Overall, we assess that the CMIP6 ensemble provides a narrower band of uncertainty of future climate projections, bringing more confidence for hydrological impact studies.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,940
Score d'incertitude au seuil0,119

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,046
Tête enseignante GPT0,325
Écart entre enseignants0,279 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations69
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetHydrology and Watershed Management StudiesTravaux en français237 207