Bias correction methods have now emerged as the most commonly used approach when applying climate model outputs to impact studies. However, comparatively much fewer studies have looked at the limitations of bias correction caused by the very nature of the climate system. Two main sources of errors can affect the efficiency of bias correction over a future period: climate sensitivity and internal variability of the climate system. The former is related to differences in the forcing response between a climate model and the real climate system, whereas the latter results from the chaotic nature of the climate system. Using a “pseudo-reality” approach, this study investigates the contribution of these two sources of error to remaining biases of climate model after bias correction for future periods. The pseudo-reality approach uses one climate model as a reference dataset to correct other climate models. Results indicate that bias correction is beneficial over the reference period and in near future periods. However, large biases remain in future periods. The difference in climate sensitivities is the main contributor to the remaining biases in corrected data. Internal variability affects the near and far future similarly and may dominate in the near future, especially for precipitation. The impact of differences in climate sensitivity between the reference dataset and climate model data cannot be eliminated, while the impact of internal variability can be lessened by using a reference period for as long as possible to filter out low-frequency modes of variability.

中文翻译：

---

偏差校正气候模型输出中的剩余误差源

在将气候模型输出应用于影响研究时，偏差校正方法现已成为最常用的方法。然而，相对较少的研究关注由气候系统的本质引起的偏差校正的局限性。误差的两个主要来源可能会影响未来一段时间内偏差校正的效率：气候敏感性和气候系统的内部变率。前者与气候模型和真实气候系统之间的强迫响应差异有关，而后者是由气候系统的混沌性质造成的。本研究使用“伪现实”方法，调查了这两种误差来源对未来时期偏差校正后气候模型剩余偏差的贡献。伪现实方法使用一个气候模型作为参考数据集来校正其他气候模型。结果表明，偏差校正在参考期和不久的将来都是有益的。然而，在未来时期仍存在较大偏差。气候敏感性的差异是导致校正数据中剩余偏差的主要因素。内部变率对近期和远未来的影响类似，并可能在近期占主导地位，尤其是降水。参考数据集和气候模式数据之间气候敏感性差异的影响无法消除，而内部变率的影响可以通过使用尽可能长的参考期来过滤掉低频变率模式来减少。结果表明，偏差校正在参考期和不久的将来都是有益的。然而，在未来时期仍存在较大偏差。气候敏感性的差异是导致校正数据中剩余偏差的主要因素。内部变率对近期和远未来的影响类似，并可能在近期占主导地位，尤其是降水。参考数据集和气候模式数据之间气候敏感性差异的影响无法消除，而内部变率的影响可以通过使用尽可能长的参考期来过滤掉低频变率模式来减少。结果表明，偏差校正在参考期和不久的将来都是有益的。然而，在未来时期仍存在较大偏差。气候敏感性的差异是导致校正数据中剩余偏差的主要因素。内部变率对近期和远未来的影响类似，并可能在近期占主导地位，尤其是降水。参考数据集和气候模式数据之间气候敏感性差异的影响无法消除，而内部变率的影响可以通过使用尽可能长的参考期来过滤掉低频变率模式来减少。气候敏感性的差异是导致校正数据中剩余偏差的主要因素。内部变率对近期和远未来的影响类似，并可能在近期占主导地位，尤其是降水。参考数据集和气候模式数据之间气候敏感性差异的影响无法消除，而内部变率的影响可以通过使用尽可能长的参考期来过滤掉低频变率模式来减少。气候敏感性的差异是导致校正数据中剩余偏差的主要因素。内部变率对近期和远未来的影响类似，并可能在近期占主导地位，尤其是降水。参考数据集和气候模式数据之间气候敏感性差异的影响无法消除，而内部变率的影响可以通过使用尽可能长的参考期来过滤掉低频变率模式来减少。