Precipitation Bias Correction: A Novel Semi‐parametric Quantile Mapping Method
Notice bibliographique
Résumé
Abstract Bias correction methods are used to adjust simulations from global and regional climate models to use them in informed decision‐making. Here we introduce a semi‐parametric quantile mapping (SPQM) method to bias‐correct daily precipitation. This method uses a parametric probability distribution to describe observations and an empirical distribution for simulations. Bias‐correction techniques typically adjust the bias between observation and historical simulations to correct projections. The SPQM however corrects simulations based only on observations assuming the detrended simulations have the same distribution as the observations. Thus, the bias‐corrected simulations preserve the climate change signal, including changes in the magnitude and probability dry, and guarantee a smooth transition from observations to future simulations. The results are compared with popular quantile mapping techniques, that is, the quantile delta mapping (QDM) and the statistical transformation of the CDF using splines (SSPLINE). The SPQM performed well in reproducing the observed statistics, marginal distribution, and wet and dry spells. Comparatively, it performed at least equally well as the QDM and SSPLINE, specifically in reproducing observed wet spells and extreme quantiles. The method is further tested in a basin‐scale region. The spatial variability and statistics of the observed precipitation are reproduced well in the bias‐corrected simulations. Overall, the SPQM is easy to apply, yet robust in bias‐correcting daily precipitation simulations.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».