Improved Correction of Extreme Precipitation Through Explicit and Continuous Nonstationarity Treatment and the Metastatistical Approach
Notice bibliographique
Résumé
Abstract Climate models simulate extreme precipitation under nonstationarity due to continuous climate change. However, systematic errors in local‐scale climate projections are often corrected using stationary or quasi‐stationary methods without explicit and continuous nonstationarity treatment, like quantile mapping (QM), detrended QM, and quantile delta mapping. To bridge this gap, we introduce nonstationary QM (NS‐QM) and its simplified version for consistent nonstationarity patterns (CNS‐QM). Besides, correction approaches for extremes often rely on limited extreme‐event records. To leverage ordinary‐event information while focusing on extremes, we propose integrating the simplified Metastatistical extreme value (SMEV) distribution into NS‐QM and CNS‐QM (NS‐QM‐SMEV and CNS‐QM‐SMEV). We demonstrate the superiority of NS‐ and CNS‐QM‐SMEV over existing methods through a simulation study and show several real‐world applications using high‐resolution‐regional and coarse‐resolution‐global climate models. NS‐QM and CNS‐QM reflect nonstationarity more realistically but may encounter challenges due to data limitations like estimation errors and uncertainty, particularly for the most extreme events. These issues, shared by existing approaches, are effectively mitigated using the SMEV distribution. NS‐ and CNS‐QM‐SMEV offer lower estimation error, approximate unbiasedness, reduced uncertainty, and improved representation of the entire distribution, especially for samples of ∼70 years, and greater superiority with larger samples. We show existing methods may perform competitively for short samples but exhibit substantial biases in quantile‐quantile matching due to bypassing nonstationarity modeling. NS‐ and CNS‐QM‐SMEV avoid these biases, adhering better to their theoretical functioning. Thus, NS‐ and CNS‐QM‐SMEV enhance the correction of extremes under nonstationarity. Yet, properly identifying nonstationarity patterns is crucial for reliable implementations.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».