Developing guidelines for working with climate multi-model ensembles in CMIP7
Notice bibliographique
Résumé
The Earth system models (ESMs) of the WCRP Coupled Model Intercomparison Project (CMIP) are a key tool for making future climate projections and have been continuously developed by various climate modeling communities all over the world over the past decades. The resulting contemporary ESMs are sophisticated tools encoding numerous processes occurring in multiple components of the Earth System such as the atmosphere, ocean, cryosphere, land, and produce a large amount of simulation output data. It remains challenging to analyze, evaluate and interpret the results of such an ensemble of climate models, commonly referred to as the climate multi-model ensemble (MME), to derive actionable information for policy makers and society. Within the international Fresh Eyes on CMIP initiative we have conducted a comprehensive literature review summarizing the newest research studies addressing various issues related to working with climate MMEs. This spans a wide range of matters such as model evaluation including process-oriented assessment, systematic model biases, model selection, model dependencies, weighting methods accounting for model performance and interdependence, uncertainty sources and their characterization, as well as downscaling approaches to acquire regional climate change information. We also discuss how to utilize MMEs to study high-impact weather and climate extreme events, as well as emerging machine learning techniques for analyzing MMEs, single model initial-condition large ensembles (SMILES), and computational resource considerations. We finally give an overview of available open-source software tools and tutorials developed by a broader climate science community which facilitate the MME analysis. We thereby strive to provide guidance on how to best exploit the climate MME in future phases of CMIP particularly in the upcoming CMIP7.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».