Causes of Robust Seasonal Land Precipitation Changes*
Notice bibliographique
Résumé
Abstract Historical simulations from phase 5 of the Coupled Model Intercomparison Project (CMIP5) archive are used to calculate the zonal-mean change in seasonal land precipitation for the second half of the twentieth century in response to a range of external forcings, including anthropogenic and natural forcings combined (ALL), greenhouse gas forcing, anthropogenic aerosol forcing, anthropogenic forcings combined, and natural forcing. These simulated patterns of change are used as fingerprints in a detection and attribution study applied to four different gridded observational datasets of global land precipitation from 1951 to 2005. There are large differences in the spatial and temporal coverage in the observational datasets. Yet despite these differences, the zonal-mean patterns of change are mostly consistent except at latitudes where spatial coverage is limited. The results show some differences between datasets, but the influence of external forcings is robustly detected in March–May, December–February, and for annual changes for the three datasets more suitable for studying changes. For June–August and September–November, external forcing is only detected for the dataset that includes only long-term stations. Fingerprints for combinations of forcings that include the effect of greenhouse gases are similarly detectable to those for ALL forcings, suggesting that greenhouse gas influence drives the detectable features of the ALL forcing fingerprint. Fingerprints of only natural or only anthropogenic aerosol forcing are not detected. This, together with two-fingerprint results, suggests that at least some of the detected change in zonal land precipitation can be attributed to human influences.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».