Chibuike Chiedozie Ibebuchi

• Regional climate models (RCMs) are tools used to project future climate change at a regional scale. Despite their high horizontal resolution, RCMs are characterized by systematic biases relative to observations, which can result in unrealistic interpretations of future climate change signals. On the other hand, bias correction (BC) is a popular statistical post-processing technique applied to improve the usability of output from climate models. Like every other statistical technique, BC has its strengths and weaknesses. Hence, within theRegional climate models (RCMs) are tools used to project future climate change at a regional scale. Despite their high horizontal resolution, RCMs are characterized by systematic biases relative to observations, which can result in unrealistic interpretations of future climate change signals. On the other hand, bias correction (BC) is a popular statistical post-processing technique applied to improve the usability of output from climate models. Like every other statistical technique, BC has its strengths and weaknesses. Hence, within the regional context of Germany, and for temperature and precipitation, this study is dedicated to the assessment of the impact of different BC techniques on the RCM output. The focuses are on the impact of BC on the RCM’s statistical characterization, and physical consistency defined as the spatiotemporal consistency between the bias-corrected variable and the simulated physical mechanisms governing the variable, as well as the correlations between the bias-corrected variable and other (simulated) climate variables. Five BC techniques were applied in adjusting the systematic biases in temperature and precipitation RCM outputs. The BC techniques are linear scaling, empirical quantile mapping, univariate quantile delta mapping, multivariate quantile delta mapping that considers inter-site dependencies, and multivariate quantile delta mapping that considers inter-variable dependencies (MBCn). The results show that each BC technique adds value in reducing the biases in the statistics of the RCM output, though the added value depends on several factors such as the temporal resolution of the data, choice of RCM, climate variable, region, and the metric used in evaluating the BC technique. Further, the raw RCMs reproduced portions of the observed modes of atmospheric circulation in Western Europe, and the observed temperature, and precipitation meteorological patterns in Germany. After the BC, generally, the spatiotemporal configurations of the simulated meteorological patterns as well as the governing large-scale mechanisms were reproduced. However, at a more localized spatial scale for the individual meteorological patterns, the BC changed the simulated co-variability of some grids, especially for precipitation. Concerning the co-variability among the variables, a physically interpretable positive correlation was found between temperature and precipitation during boreal winter in both models and observations. For most grid boxes in the study domain and on average, the BC techniques that do not adjust inter-variable dependency did not notably change the simulated correlations between the climate variables. However, depending on the grid box, the (univariate) BC techniques tend to degrade the simulated temporal correlations between temperature and precipitation. Further, MBCn which adjusts biases in inter-variable dependency has the skill to improve the correlations between the simulated variables towards observations.…
• Regionale Klimamodelle (RCMs) sind Werkzeuge, die verwendet werden, um den zukünftigen Klimawandel auf regionaler Ebene zu prognostizieren. Trotz ihrer hohen horizontalen Auflösung sind RCMs je nach Beobachtung durch systematische Verzerrungen gekennzeichnet, was zu unrealistischen Interpretationen zukünftiger Signale des Klimawandels führen kann. Andererseits ist die Bias-Korrektur (BC) eine beliebte statistische Nachbearbeitungstechnik, die angewendet wird, um die Nutzbarkeit der Ergebnisse von Klimamodellen zu verbessern. Wie jede andereRegionale Klimamodelle (RCMs) sind Werkzeuge, die verwendet werden, um den zukünftigen Klimawandel auf regionaler Ebene zu prognostizieren. Trotz ihrer hohen horizontalen Auflösung sind RCMs je nach Beobachtung durch systematische Verzerrungen gekennzeichnet, was zu unrealistischen Interpretationen zukünftiger Signale des Klimawandels führen kann. Andererseits ist die Bias-Korrektur (BC) eine beliebte statistische Nachbearbeitungstechnik, die angewendet wird, um die Nutzbarkeit der Ergebnisse von Klimamodellen zu verbessern. Wie jede andere statistische Technik hat BC seine Stärken und Schwächen. Daher widmet sich diese Studie im regionalen Kontext Deutschlands und für Temperatur und Niederschlag der Bewertung der Auswirkungen verschiedener BC-Techniken auf den das RCM-ErtragErgebnis. Die Schwerpunkte liegen auf der Auswirkung von BC auf die statistische Charakterisierung des RCM und auf der physikalischen Konsistenz. Letztere ist, definiert als die räumlich-zeitliche Konsistenz zwischen der systematisch korrigierten Variablen und den simulierten physikalischen Mechanismen, die diese Variable steuern, sowie auf den Korrelationen zwischen der systematisch korrigierten Variablen und anderen (simulierten) Klimavariablen. Fünf BC-Techniken wurden angewendet, um die systematischen Abweichungen in den Temperatur- und Niederschlags-RCM-Ausgaben Ergebnissen anzupassen. Die BC-Techniken sind lineare Skalierung, empirisches Quantil-Mapping, univariates Quantil-Delta-Mapping, sowie multivariates Quantil-Delta-Mapping, das Abhängigkeiten zwischen Standorten berücksichtigt, und multivariates Quantil-Delta-Mapping, das intervariable Abhängigkeiten (MBCn) berücksichtigt. Die Ergebnisse zeigen, dass jede BC-Technik einen Mehrwert bei der Reduzierung der Verzerrungen in den Statistiken der RCM-Ausgabe bringt, und dies, obwohl der Mehrwert von mehreren Faktoren abhängt, wie der zeitlichen Auflösung der Daten, der Wahl der RCM, der Klimavariable, der Region und desr verwendeten Massstabsetrik zur Bewertung der BC-Technik verwendet. Darüber hinaus reproduzierten die rohen RCMs Teile der beobachteten Modi der atmosphärischen Zirkulation in Westeuropa und die beobachteten meteorologischen Temperatur- und Niederschlagsmuster in Deutschland. Nach der BC wurden im Allgemeinen die raumzeitlichen Konfigurationen der simulierten meteorologischen Muster sowie die maßgeblichen großräumigen Mechanismen reproduziert. Auf einer stärker lokalisierten räumlichen Skala änderte der BC jedoch für die einzelnen meteorologischen Muster die simulierte Kovariabilität einiger Gitter, insbesondere für Niederschlag. Bezüglich der Kovariabilität zwischen den Variablen wurde sowohl in Modellen als auch in Beobachtungen eine physikalisch interpretierbare positive Korrelation zwischen Temperatur und Niederschlag im borealen Winter gefunden. Für die meisten Gitterboxen Gitterfelder im Untersuchungsbereich und auch im Durchschnitt änderten die BC-Techniken, die die Abhängigkeit zwischen den Variablen nicht anpassen, die simulierten Korrelationen zwischen den Klimavariablen nicht merklich. Allerdings neigen die (univariaten) BC-Techniken je nach Gitterbox Gitterfeld dazu, die simulierten zeitlichen Korrelationen zwischen Temperatur und Niederschlag zu verschlechtern. Darüber hinaus hat MBCn, das Verzerrungen in der Abhängigkeit zwischen Variablen anpasst, die Fähigkeit, die Korrelationen zwischen den simulierten Variablen gegenüber den Beobachtungen zu verbessern.…