Psychologie Lexikon der ArgumenteHome
| |||
|
| |||
| Model Bias: Unter einer Modellverzerrung versteht man die inhärenten Einschränkungen oder Ungenauigkeiten in der Struktur oder den Annahmen eines Modells, die zu systematischen Fehlern oder Abweichungen von der Realität führen. Sie ergeben sich aus Vereinfachungen oder spezifischen Perspektiven, die in das Modell eingebettet sind und die Vorhersagen oder Schlussfolgerungen möglicherweise verzerren. Bei der Behandlung von Modellverzerrungen geht es darum, diese Beschränkungen zu erkennen und abzuschwächen, um die Genauigkeit und Zuverlässigkeit des Modells bei der Entscheidungsfindung zu verbessern.
Siehe auch Modelle, Modelltheorie, Klimawandel, Methode, Idealisierung, Vorhersage._____________Anmerkung: Die obigen Begriffscharakterisierungen verstehen sich weder als Definitionen noch als erschöpfende Problemdarstellungen. Sie sollen lediglich den Zugang zu den unten angefügten Quellen erleichtern. - Lexikon der Argumente. | |||
| Autor | Begriff | Zusammenfassung/Zitate | Quellen |
|---|---|---|---|
|
Klimatologie über Model Bias - Lexikon der Argumente
Edwards I 457 Model Bias/Klimatologie/Edwards: Obwohl die Injektion von Beobachtungsdaten die Analyse ständig korrigiert, "ziehen" die Modelle ständig in Richtung ihrer inhärenten Verzerrungen (engl. biases). Diese kleinen Verzerrungen haben keinen großen Einfluss auf die Fähigkeiten in den kurzen Zeiträumen, die von den Prognostikern angesprochen werden, aber in der Reanalyse über Jahrzehnte setzt sich der Model Bias durch. Zum Beispiel zeigt das ECMWF (European Centre for Medium-Range Weather Forecasts) ERA-40 Assimilationsmodell in den ersten Jahren der Satellitenbeobachtungen eine kalte Verzerrung in der unteren Stratosphäre und andere Diskrepanzen in der südlichen Hemisphäre unterhalb von 45°S(1). Beispiel: a) (...) ein verzerrtes Modell tendiert systematisch zu einem höheren Wert. Jedes Mal, wenn Beobachtungen eingespeist werden, ziehen sie das Ergebnis zurück in Richtung des tatsächlichen Zustands der Atmosphäre, aber im Laufe der Zeit erzeugt der Model Bias einen deutlich höheren Trend - und zwar umso mehr, je seltener die Beobachtungen sind. b) (...) sowohl Modell als auch Beobachtungen sind unverzerrt. Das Modell driftet immer noch, aber jetzt sind seine Schwankungen zufälliger um den realen Zustand der Atmosphäre verteilt, was im Laufe der Zeit eine genauere Trendberechnung ergibt. Statistische und empirische Korrekturen können die Reanalyse genauer machen, aber das zugrundeliegende Problem wird wahrscheinlich nicht vollständig gelöst werden(2). >Homogenisierung/Klimatologie, >Reanalyse/Klimatologie, >Klimadaten/Edwards. 1. Intergovernmental Panel on Climate Change, Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change (Cambridge University Press, 2007), 270. 2. D. P. Dee, “Detection and Correction of Model Bias During Data Assimilation,” European Centre for Medium-Range Weather Forecasts, 2003, www.ecmwf.int; D. P. Dee, “Bias and Data Assimilation,” Quarterly Journal of the Royal Meteorological Society 131, no. 613 (2005): 3323–._____________ Zeichenerklärung: Römische Ziffern geben die Quelle an, arabische Ziffern die Seitenzahl. Die entsprechenden Titel sind rechts unter Metadaten angegeben. ((s)…): Kommentar des Einsenders. Übersetzungen: Lexikon der ArgumenteDer Hinweis [Begriff/Autor], [Autor1]Vs[Autor2] bzw. [Autor]Vs[Begriff] bzw. "Problem:"/"Lösung", "alt:"/"neu:" und "These:" ist eine Hinzufügung des Lexikons der Argumente. |
Klimatologie
Edwards I Paul N. Edwards A Vast Machine: Computer Models, Climate Data, and the Politics of Global Warming Cambridge 2013 |
||
> Gegenargumente gegen Klimatologie
> Gegenargumente zu Model Bias
