Assessment of Historical and Future Mean and Extreme Precipitation Over Sub‐Saharan Africa Using <scp>NEX</scp>‐<scp>GDDP</scp>‐<scp>CMIP6</scp>: Part I—Evaluation of Historical Simulation
Notice bibliographique
Résumé
ABSTRACT This study assesses the performance of 28 NASA Earth Exchange Global Daily Downscaled Climate Projections (NEX‐GDDP‐CMIP6) models and their multi‐model ensemble (MME) in simulating mean and extreme precipitation across sub‐Saharan Africa from 1985 to 2014. The Multi‐Source Weighted‐Ensemble Precipitation (MSWEP) and Climate Hazards Group InfraRed Precipitation with Station Data (CHIRPS) are used as reference datasets. Various statistical metrics such as the mean bias (MB), spatial correlation coefficients (SCCs), Taylor skill scores (TSS) and comprehensive ranking index (CRI) are employed to evaluate the performance of NEX‐GDDP‐CMIP6 models at both annual and seasonal scales. Results show that the NEX‐GDDP‐CMIP6 can reproduce the observed annual precipitation cycle in all the subregions, with the model spread within observational uncertainties. The MME also successfully reproduces the spatial distribution of mean precipitation, achieving SCCs and TSSs greater than 0.8 across all subregions. The biases in mean precipitation are consistent across different reference datasets. However, most of the NEX‐GDDP‐CMIP6 models show trends of mean precipitation opposite to observations. While the MME can generally reproduce the spatial distribution of extreme precipitation, its performance varies with the reference dataset, particularly for the number of rainy days (RR1) and maximum consecutive dry days (CDD). TSS values for extreme precipitation indices differ significantly by region, reference data and index, with the lowest values over South Central Africa and the highest over West Southern Africa. The CRI indicates that no single model consistently outperforms others across all subregions, even within the same region, when compared to both MSWEP and CHIRPS. These results may be helpful when using NEX‐GDDP‐CMIP6 models for future projections and impact assessment studies in sub‐Saharan Africa.
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 | 0,002 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».