Runtime bias corrected driving data for regional climate models: regional-scale impacts
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
Abstract An empirical runtime bias correction (ERBC) technique is applied to a global model used to drive two RCMs: CRCM5 (Ouranos) and CanRCM5 (CCCma). While the ERBC is constructed to improve the climatological annual cycle, due to its application at runtime, it also indirectly improves time-dependent circulation dynamics and maintains physical coherence among adjusted atmospheric variables. We analyze the regional impacts of this prognostic bias correction on the climatology of atmospheric and oceanic driving data, for the historical period (1981–2010) and the end-of-century (2071–2100) climate change signal, in RCM simulations of North America. Three 10-member ensembles are created using three configurations of CanESM5 as driving data: the original CanESM5 (no correction); CanESM5 with only diagnostically corrected sea surface temperature (SST) and sea ice concentration (SIC); and CanESM5 with ERBC-corrected atmosphere and adjusted SST/SIC. Results show clear advantages of using adjusted atmospheric and oceanic driving data, especially in regions with substantial raw biases. Significant improvements are noted in representing key meteorological phenomena, notably nor’easters (extratropical cyclones) and the North American monsoon, due to better oceanic data and enhanced representation of regional circulation. In future projections, the ERBC is found to alter the climate change response of both RCMs, offering the potential for uncertainty reduction in future projection of such regional scale features.
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 | 0,001 | 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) | 0,000 | 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 découle