Climate scenarios of extreme precipitation using a combination of parametric and non-parametric bias correction methods in the province of Québec
Notice bibliographique
Résumé
Realistic simulation of heavy precipitation in climate simulations is a major challenge for adaptation, as the grid resolution of most climate models is too coarse to explicitly resolve convective processes. When proper future extreme precipitation events are required, such as for adaptation to future flooding, users therefore rely on bias-corrected precipitation data. However, the commonly used quantile–quantile mapping procedure is not well suited to post-process distribution tails. As a response to a need expressed by the province of Québec for the purpose of the government’s INFO-Crue project, which aims in part to provide a better understanding of future floods and incorporate this information in flood mapping, a new, mixed method was proposed for post-processing the entire range of precipitation, including heavy precipitation. The method uses a non-parametric quantile–quantile mapping procedure for the bulk distribution and a parametric procedure based on extreme value theory for the right tail. The method’s performance is illustrated on a watershed in Québec (Canada), using external Generalized Extreme Value (GEV) parameters. Results show that the proposed method is able to keep the important characteristics of simulated distribution tails, such as the initial ranking and scaling between values, keep spatial coherence and provide robust estimates of high return levels. The proposed method represents a flexible framework that relies on the quantile–quantile mapping procedure that is trusted by the end users, while incorporating information from the statistical community where necessary to ensure that heavy precipitation that might drive flooding, such as the 20or 100-year 24h precipitation, is bias-corrected in a more robust manner. The method is available in the open-source package ClimateTools.jl written in Julia and Python’s xclim package.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».