Impact of bias adjustment strategy on ensemble projections of hydrological extremes
Notice bibliographique
Résumé
Hydrological climate change impact studies typically rely on hydrological projections generated by hydrological models driven with bias-adjusted climate simulations. Such hydrological projections are influenced by internal climate variability, which can mask the emergence of robust climate trends. To account for internal variability in climate projections, single-model initial-condition large ensembles (SMILEs) can be employed. SMILEs are generated by running a single global/regional climate model many times with slightly perturbed initial conditions. However, it remains challenging to select an appropriate bias adjustment strategy for SMILEs used in hydrological impact studies because of the relative importance of inter-variable dependence and the preservation of both climate variability and the change signal. To facilitate such selection, we here compare different bias adjustment strategies applied to SMILEs and their effect on hydrological impact assessments. Specifically, we investigate how climate and hydrological extremes change for 87 catchments in the Swiss Alps when using (a) univariate vs. bivariate, (b) ensemble vs. individual-member, and (c) change-preserving vs. non-change-preserving bias adjustment methods. To do so, we adjust the biases of a 50-member SMILE with the different adjustment methods and drive a hydrological model to simulate and project high and low flows. Our comparison shows (1) no clear benefits from using bivariate instead of univariate bias adjustment methods when the SMILE already efficiently simulates the dependence between temperature and precipitation and (2) that the choice of using ensemble vs. individual-member and change-preserving vs. non-change-preserving bias adjustments leads to large differences in the values of signal robustness indicators, including temperature, precipitation and streamflow signal-to-noise ratios and streamflow and precipitation time-of-emergence. These influences need to be considered when selecting an appropriate bias adjustment strategy for a given application. Based on our comparison, we generally recommend to apply change-preserving and ensemble bias adjustment methods in future hydrological impact studies using SMILEs. Further research is needed to improve bias adjustment methods that preserve both the signal and the variability of ensemble climate projections.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».