Assessing the performance of the CMIP6 multi model mean in simulating precipitation and temperature across Africa
Notice bibliographique
Résumé
Abstract This study examines the capability of the Coupled Model Intercomparison Project Phase 6 to replicate temperature and precipitation across eight African sub-regions, as well as their correlation with three large-scale climate indices. Qualitative estimations indicate that reference datasets (ERA5, CRU, CHIRPS) and the MMM exhibit similar patterns, albeit with slightly different intensities in many sub-regions and seasons. For precipitation and temperature, several models exhibit good performance across various sub-regions and seasons, with PCCs of 0.98. The MMM effectively captures the signs of the observed trend in many African sub-regions but fails to capture its magnitude. The MMM exhibits better performance than individual models across various sub-regions. Models like MMM and GFDL-ESM4 consistently outperform others, particularly in precipitation. However, significant regional disparities are observed, with SWAF, CAF, and WAF (for temperature during DJF) being the most challenging areas, where few models meet the performance thresholds. In MAM, models exhibit strong performance in NAF, WAF, CAF, NEAF, and SWAF but fail to meet the cutoff in SAH and CEAF. The models exhibit robust performance across many regions during JJA and SON. The MMM also captures the increasing (but with relatively lower value) temperature depicted by ERA5 and CRU. The MMM shows a limitation in reproducing the response to some large-scale climate indices.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».