Projected increases in intensity and frequency of rainfall extremes through a regional climate modeling approach
Notice bibliographique
Résumé
Abstract Global warming is changing the hydrological cycle in multiple ways such as increased cloudiness, latent heat fluxes, and intense precipitation events. How extreme rainfall events will be influenced by the changing climate is becoming one of the most important problems for hydrological risk analysis and engineering design. In this study, a regional climate modeling approach based on the Providing REgional Climates for Impacts Studies modeling system is proposed for investigating the potential impacts of climate change induced by increased greenhouse gases on the intensity and frequency of extreme rainfall events in the context of Ontario, Canada. An ensemble of high‐resolution climate projections is first developed under both current and future forcing conditions. Validation of the ensemble simulations is then conducted through comparing the simulated rainfall annual extremes for 1960–1990 to the observed ones. Following that, the rainfall projections for future periods are used to develop projected intensity‐duration‐frequency curves and their plausible changes in 2030s, 2050s, and 2080s for the City of Toronto. The results suggest that intensities of rainfall extreme events versus various durations with different return periods are all likely to increase over time: [5, 17]% in 2030s, [11, 22]% in 2050s, and [25, 50]% in 2080s. Such a consistent increase would lead to an overall uplift in the exceedance values of rainfall intensity of extreme events, implying that intense rainfall events are likely to occur more frequently in the future. In addition, more significant changes in the rainfall intensity are projected for extreme events with longer return periods at all given durations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».