What aspect of model performance is the most relevant to skillful future projection on regional scale?
Notice bibliographique
Résumé
Weighting models according to their performance has been used in constructing multi-model regional climate change scenarios. But the added value of model weighting is not always examined. Here we apply an imperfect model framework to examine the added value of model weighting in projecting summer temperature changes over China. Members of large ensemble initial condition simulations by three climate models of different climate sensitivities under the historical forcing and future scenarios are used as pseudo-observations. Performance of the models participating in the 6 th phase of the coupled model intercomparison project (CMIP6) in simulating past climate are evaluated against the pseudo-observations based on climatology, trends in global, regional and local temperatures. The performance along with model’s independence are used to determine the model weights for future projection. The weighted projections are then compared with the pseudo-observations for the future. We find that regional trend as a metric of model performance yields the best skill for future projection while past climatology as performance metric does not improve future projection. Trend at the grid-box scale is also not a good performance indicator as small scale trend is highly uncertain. Projected summer warming based on model weighting is similar to that of unweighted projection, at 2.3°C increase relative to 1995-2014 by the middle of the 21 st century under SSP8.5 scenario, but the 5 th -95 th uncertainty range of the weighted projection is 18% smaller with the reduction mainly in the upper bound, with the largest reduction in the northern Tibetan Plateau.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».