Climatological Adaptive Bias Correction of Climate Models
Notice bibliographique
Résumé
Abstract All Earth System Models (ESMs) have climatological biases relative to the observed historical climate. The quality of a model and, more importantly, the accuracy of its predictions are often associated with the magnitude and properties of its biases. For more than a decade, new strategies have been developed to empirically reduce such biases in the model components of ESMs during their execution. The present study considers a cyclostationary class of empirical runtime bias corrections to a climate model, referred to here as empirical runtime bias corrections (ERBCs). Such ERBCs are state independent and designed to reduce biases in the climatological annual cycle of the model. We present a new procedure for deriving such ERBCs called Climatological Adaptive Bias Correction (CABCOR). CABCOR is argued to be superior to the standard relaxation approach to defining ERBCs because it requires only a climatological, rather than a multi‐year time evolving, observational reference data set. As part of this study, we perform a novel analysis of the relaxation approach in which a mapping is made between the parameter values that define the relaxation and the biases produced by ERBCs in the corrected model. This allows us to identify the optimal bias correction produced by the relaxation approach and to additionally demonstrate that the CABCOR approach can produce bias‐corrected models with smaller climatological biases.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».