Runtime bias correction of regional climate model driving data and its continental-scale impacts
Notice bibliographique
Résumé
The application of a new approach to bias-correct Earth System Model (ESM) driving data for regional Climate Model (RCM) downscaling is presented. This approach employs a novel Empirical Runtime Bias Correction (ERBC) of the ESM, designed to self-consistently reduce climatological biases in the driving data. The impact of such ESM bias reduction on RCM downscaling is evaluated through an experimental protocol where a single ESM and its ERBC counterpart drive two different RCMs. A continental-scale analysis of these results in a North American regional domain over the historical period indicates that the impact of global model biases on RCM downscaling products can be mitigated significantly by employing ERBC driving data. A similar series of ESM downscaling simulations is conducted for future projections of climate change following the Coupled Model Intercomparison Project phase 6 SSP3-7.0 scenario of anthropogenic forcings. Unlike diagnostic bias corrections applied to model output, ERBCs have the potential to improve climate-change circulation responses, thereby reducing uncertainty. This reduction would be reflected in a narrower spread of responses within a multi-model ensemble of ESMs and RCMs. Since this study involves only one ESM, we investigate the necessary but not sufficient condition for uncertainty reduction: that ERBCs can alter climate change responses compared to their uncorrected counterparts. The results show that ERBCs induce statistically significant changes in the climate-change circulation responses in both the global and regional models.
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 | 0,000 | 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 | 0,001 | 0,006 |
| Intégrité de la recherche | 0,000 | 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 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 ».