Reliability ensemble averaging reduces surface wind speed projection uncertainties in the 21st century over China
Notice bibliographique
Résumé
Accurate prediction of future surface wind speed (SWS) changes is the basis of scientific planning for wind turbines. Most studies have projected SWS changes in the 21st century over China on the basis of the multi-model ensemble (MME) of the 6th Coupled Model Intercomparison Project (CMIP6). However, the simulation capability for SWS varies greatly in CMIP6 multi-models, so the MME results still have large uncertainties. In this study, we used the reliability ensemble averaging (REA) method to assign each model different weights according to their performances in simulating historical SWS changes and project the SWS under different shared socioeconomic pathways (SSPs) in 2015‒2099. The results indicate that REA considerably improves the SWS simulation capacity of CMIP6, eliminating the overestimation of SWS by the MME and increasing the simulation capacity of spatial distribution. The spatial correlations with observations increased from 0.56 for the MME to 0.85 for REA. Generally, REA could eliminate the overestimation of the SWS by 33% in 2015‒2099. Except for southeastern China, the SWS generally decreases over China in the near term (2020‒2049) and later term (2070–2099), particularly under high-emission scenarios. The SWS reduction projected by REA is twice as high as that by the MME in the near term, reaching −4% to −3%. REA predicts a larger area of increased SWS in the later term, which expands from southeastern China to eastern China. This study helps to reduce the projected SWS uncertainties.
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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».