On the importance of the reference data: Uncertainty partitioning of bias-adjusted climate simulations over eastern Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Bias-adjusted climate simulations are increasingly disseminated through online platforms to support adaptation actions. However, there is no consensus on an operational framework to choose what to include in these “decision-ready” ensembles and for communicating the related uncertainty. In this paper, we use a systematic approach to assess the uncertainty related to bias-adjusted climate simulations across five dimensions: internal variability, greenhouse gases scenario, global climate model, observational reference and bias-adjustment method. We calculate the fraction of uncertainty associated with each dimension for precipitation-based, temperature-based and multivariate indicators over eastern Canada and focus particularly on three locations: Montréal, Gaspé and Kawawachikamach. The results show that the uncertainty associated with the reference dataset can be very large and in some instances can become the first or second largest source of uncertainty. Using simple examples, we show that the resulting differences could lead to different conclusions with respect to some adaptation solutions or possibly create confusion with users. These results raise questions on the robustness of climate projections distributed through these web platforms and the ethical responsibility of data providers to adequately evaluate and communicate the underlying uncertainty. • The uncertainty of bias-adjusted climate simulations is divided between 5 dimensions. • Observational reference is often an important share of the uncertainty. • The choice of reference can lead to different decisions in climate change adaptation.
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.
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 | 0,001 |
| 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 découle