MétaCan
Menu
Back to cohort
Record W1553479985

Analyse des extrêmes simulés par le modèle régional canadien du climat sur différentes régions de l'Amérique du Nord

2014· article· fr· W1553479985 on OpenAlexaboutno aff
Philippe Roy

Bibliographic record

VenueArchipelago (Université du Québec à Montréal) · 2014
Typearticle
Languagefr
FieldEnvironmental Science
TopicClimate variability and models
Canadian institutionsnot available
Fundersnot available
KeywordsForestryGeography
DOInot available

Abstract

fetched live from OpenAlex

Cette thèse vise à évaluer la capacité du Modèle Régional Canadien du Climat (MRCC) à reproduire différentes caractéristiques des extrêmes climatiques à l'échelle saisonnière et à estimer leur niveau d'incertitude causé par une modification de la configuration opérationnelle du MRCC. À travers l'utilisation d'indices climatiques décrivant les extrêmes de température et de précipitation quotidiens, nous analyserons leurs comportements et leurs incertitudes sur différentes régions climatiques du nord-est de l'Amérique du Nord. Par ailleurs, nous proposerons une analyse concernant l'importance du schéma de sol dans la simulation des extrêmes de température et de précipitation. Suivra une analyse de la sensibilité du climat et de la variabilité interannuelle simulée, engendrée par une modification de la configuration opérationnelle. La première partie (Chapitre I) aborde la validation et la comparaison de deux versions différentes (3.7.1 et 4.1.1) du MRCC piloté par des ré-analyses (NCEP-NCAR) quant à la reproduction des extrêmes observés et la variabilité climatique durant l'été sur la période historique 1961-1990. Les variables analysées sont la précipitation quotidienne et les températures quotidiennes (minimales et maximales) au-dessus de trois régions situées dans le nord-est de l'Amérique du Nord qui sont caractérisées par une topographie et une densité de stations d'observations différentes. La validation est effectuée en utilisant plusieurs indices d'extrêmes climatiques qui caractérisent la fréquence, l'intensité et la durée des événements de précipitation et de température. L'évaluation de la capacité du MRCC est faite à travers une analyse des distributions statistiques, une métrique de performance et la variabilité interannuelles des anomalies des indices d'extrêmes. La référence observationnelle est construite en interpolant (krigeage) les données observées quotidiennes sur la grille de 45 km du MRCC. La vaste majorité des résultats indiquent que la version 4.1.1 du MRCC améliore la simulation des événements extrêmes par rapport à la version 3.7.1. En particulier, l'intensité des extrêmes de températures maximales, l'amplitude diurne thermique, la fréquence des jours de pluie, la sécheresse saisonnière et, dans une moindre mesure, les températures minimales extrêmes et les précipitations extrêmes. L'étude suggère que ces améliorations sont principalement causées par l'introduction d'un schéma de surface plus réaliste (CLASS 2.7), qui incorpore une représentation du contenu en humidité dans le sol plus sophistiquée. Ceci illustre l'importance de la paramétrisation des processus de surface comme source d'incertitude des extrêmes simulés par un MRC. La deuxième partie (Chapitre II) aborde l'estimation de l'incertitude des extrêmes saisonniers de précipitation (hiver et été) tel que simulés par la version 4.2.3 du MRCC en considérant quatre sources d'incertitude : a) la taille du domaine, b) le choix des données qui pilotent le MRCC, c) le choix du membre d'un modèle donné et d) la variabilité interne du MRCC. La précipitation quotidienne issue de 16 simulations historiques (1961-1990) est analysée. Ces simulations sont pilotées par deux Modèles Couplés Globaux Atmosphère-Océan (MCGAO) différents (i.e. CGCM3, membres # 4 and # 5, and ECHAM5, membres # 1 and # 2), ainsi que par un produit de ré-analyses (i.e. ERA40). Deux domaines différents sont utilisés et couvrent un domaine commun situé au-dessus du nord-est de l'Amérique du Nord. En plus de la précipitation saisonnière moyenne, trois indices d'extrêmes de précipitations sont analysés : le nombre de jours de pluie (≥1 mm jour-1), le nombre maximum de jours consécutif sans pluie (<1 mm jour-1) et le 95è centile de la précipitation. Les résultats montrent que le choix du MCGAO pilotant le MRCC est la source principale d'incertitude pour les deux saisons. Durant l'été, le choix de domaine est la deuxième source d'incertitude, suivi du choix de membre d'un MCGAO. Durant l'hiver, le choix de membre du MCGAO est plus important que le choix de domaine. Ces trois sources d'incertitudes demeurent plus importantes que la variabilité interne du MRCC. Pour tous les indices d'extrêmes, l'incertitude sur la variance de la variabilité interannuelle est plus importante en hiver qu'en été. L'incertitude de la précipitation extrême est plus importante que l'incertitude de la précipitation saisonnière moyenne. Certaines régions présentant d'importants forçages montrent une incertitude systématique. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : modèle régional de climat, extrêmes, ensemble, incertitude, taille du domaine, krigeage, variabilité, Amérique du Nord

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.859
Threshold uncertainty score0.281

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0000.001
Bibliometrics0.0000.001
Science and technology studies0.0000.000
Scholarly communication0.0010.000
Open science0.0010.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0010.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.011
GPT teacher head0.173
Teacher spread0.162 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2014
Admission routes1
Has abstractyes

Explore more

Same venueArchipelago (Université du Québec à Montréal)Same topicClimate variability and modelsFrench-language works237,207