Abstract The selection of global climate models (GCMs) for a region remained a difficult step in climate change studies. A state-of-the-art Support Vector Machine Recursive Feature Elimination (SVM-RFE) algorithm is proposed in this paper for GCM selection. The ranking of GCMs obtained using SVM-RFE was compared to that obtained using entropy-based similarity assessment index known as Symmetrical Uncertainty (SU). The study was conducted in the sub-Himalayan region of Pakistan where a reliable projection of climate is highly significant for water resources management in the entire western part of South Asia. The RF-based regression model was employed to generate a multi-model ensemble (MME) mean of the top-ranked GCMs. The MME mean projection was utilized to estimate the spatiotemporal changes in annual precipitation in comparison with precipitation of 1961‐–2000 for various representative concentration pathway (RCP) scenarios. The SVM-RF selected five GCMs (MIROC5, EC-EARTH, CNRM-CM5, BCC-CSM1.1(m) and BCC-CSM1.1) as most suitable for climate change projections in the study area. Obtained results were found to collaborate well with the results of multiple conventional statistical metrics. The MME mean projections revealed precipitation alteration between −1% and 18% during 2020‐–2059, and 0 and 24% during 2060–2099 for different RCPs. Precipitation was projected to increase up to 20% in the north whereas a decrease up-to −16% in the south.

中文翻译：

---

巴基斯坦亚喜马拉雅地区降水预测的全球气候模型评估

摘要 为一个地区选择全球气候模型（GCM）仍然是气候变化研究中的一个困难步骤。本文提出了一种最先进的支持向量机递归特征消除 (SVM-RFE) 算法用于 GCM 选择。将使用 SVM-RFE 获得的 GCM 的排名与使用称为对称不确定性 (SU) 的基于熵的相似性评估指数获得的排名进行比较。该研究是在巴基斯坦的喜马拉雅以南地区进行的，可靠的气候预测对于整个南亚西部的水资源管理非常重要。采用基于 RF 的回归模型来生成排名靠前的 GCM 的多模型集成 (MME) 平均值。MME 平均预测用于估计与 1961--2000 年降水相比的各种代表性浓度路径 (RCP) 情景下年降水的时空变化。SVM-RF 选择了五个 GCM（MIROC5、EC-EARTH、CNRM-CM5、BCC-CSM1.1(m) 和 BCC-CSM1.1）作为最适合研究区气候变化预测的模型。发现获得的结果与多个传统统计指标的结果很好地协作。MME 平均预测显示，对于不同的 RCP，2020-2059 年期间的降水变化在 -1% 和 18% 之间，以及 2060-2099 年期间的 0 和 24%。预计北部的降水量将增加 20%，而南部的降水量将减少至 -16%。EC-EARTH、CNRM-CM5、BCC-CSM1.1(m) 和 BCC-CSM1.1) 最适合研究区域的气候变化预测。发现获得的结果与多个传统统计指标的结果很好地协作。MME 平均预测显示，对于不同的 RCP，2020-2059 年期间的降水变化在 -1% 和 18% 之间，以及 2060-2099 年期间的 0 和 24%。预计北部的降水量将增加 20%，而南部的降水量将减少至 -16%。EC-EARTH、CNRM-CM5、BCC-CSM1.1(m) 和 BCC-CSM1.1) 最适合研究区域的气候变化预测。发现获得的结果与多个传统统计指标的结果很好地协作。MME 平均预测显示，对于不同的 RCP，2020-2059 年期间的降水变化在 -1% 和 18% 之间，以及 2060-2099 年期间的 0 和 24%。预计北部的降水量将增加 20%，而南部的降水量将减少至 -16%。