Assessment of bias correction methods for high resolution daily precipitation projections with CMIP6 models: A Canadian case study
Notice bibliographique
Résumé
Canada High-resolution bias-corrected daily precipitation projections are of great value for regional climate impact assessment. The study evaluates the performance of bias correction techniques in developing high-resolution daily precipitation simulations over Canada. Quantile Delta Mapping (QDM) and Scaled Distribution Mapping (SDM) are employed to bias correct Coupled Model Intercomparison Project phase 6 (CMIP6) general circulation models (GCMs). CMIP6 raw and bias corrected GCMs demonstrate alignment with observations. Raw GCMs overestimate middle and high quantiles and show better performance in winter than in summer. QDM and SDM substantially enhance the performance of individual GCMs, which reduces RMSE by 26 % and 21 %, and shows satisfactory skill in capturing seasonal cycle and spatial variability as well as reproducing probability distribution of daily series and extreme events. The ensemble means of models are skillful for frequent precipitation values but overestimate low quantiles and underestimate high quantiles at a daily scale. Bias corrected ensemble means demonstrate superior performance for the whole distribution including the high and low extremes. SDM outperforms QDM with extreme bias reduced by 85 % and 78 % compared to raw GCMs. The best performing model is SDM corrected ensemble mean. The comprehensive evaluation of daily precipitation bias correction with CMIP6 GCMs over Canada contributes to further climate impact assessment around the world. • Two bias correction methods are assessed for high-resolution daily precipitation. • CMIP6 GCMs and ensemble means are used to identify the optimal bias corrected model. • QDM and SDM significantly improve the performance of individual models. • SDM corrected ensemble mean shows the best performance over Canada.
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 | 0,000 |
| 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 ».