What Aspect of Model Performance is the Most Relevant to Skillful Future Projection on a Regional Scale?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Weighting models according to their performance has been used to produce multimodel climate change projections. But the added value of model weighting for future projection is not always examined. Here we apply an imperfect model framework to evaluate the added value of model weighting in projecting summer temperature changes over China. Members of large-ensemble simulations by three climate models of different climate sensitivities are used as pseudo-observations for the past and the future. Performance of the models participating in the phase 6 of the Coupled Model Intercomparison Project (CMIP6) are evaluated against the pseudo-observations based on simulated historical climatology and trends in global, regional, and local temperatures to determine the model weights for future projection. The weighted projections are then compared with the pseudo-observations in the future period. We find that regional trend as a metric of model performance yields generally better skill for future projection, while past climatology as performance metric does not lead to a significant improvement to projection. Trend at the grid-box scale is also not a good performance indicator as small-scale trend is highly uncertain. For the model weighting to be effective, the metric for evaluating the model’s performance must be relatable to future changes, with the response signal separable from internal variability. Projected summer warming based on model weighting is similar to that of unweighted projection but the 5th–95th-percentile uncertainty range of the weighted projection is 38% smaller with the reduction mainly in the upper bound, with the largest reduction appearing in southeast China.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle