MétaCan
Menu
Retour à la cohorte
Enregistrement W2356856182 · doi:10.5194/hess-20-1785-2016

High-end climate change impact on European runoff and low flows – exploring the effects of forcing biases

2016· article· en· W2356856182 sur OpenAlexaff
Lamprini Papadimitriou, Aristeidis Koutroulis, Manolis Grillakis, Ioannis K. Tsanis

Notice bibliographique

RevueHydrology and earth system sciences · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensMcMaster University
Organismes subventionnairesEuropean CommissionDirectorate-General for Research and InnovationU.S. Department of Energy
Mots-clésEnvironmental scienceClimatologyForcing (mathematics)Global warmingSurface runoffClimate changeClimate modelMagnitude (astronomy)

Résumé

récupéré en direct d'OpenAlex

Abstract. Climate models project a much more substantial warming than the 2 °C target under the more probable emission scenarios, making higher-end scenarios increasingly plausible. Freshwater availability under such conditions is a key issue of concern. In this study, an ensemble of Euro-CORDEX projections under RCP8.5 is used to assess the mean and low hydrological states under +4 °C of global warming for the European region. Five major European catchments were analysed in terms of future drought climatology and the impact of +2 °C versus +4 °C global warming was investigated. The effect of bias correction of the climate model outputs and the observations used for this adjustment was also quantified. Projections indicate an intensification of the water cycle at higher levels of warming. Even for areas where the average state may not considerably be affected, low flows are expected to reduce, leading to changes in the number of dry days and thus drought climatology. The identified increasing or decreasing runoff trends are substantially intensified when moving from the +2 to the +4° of global warming. Bias correction resulted in an improved representation of the historical hydrology. It is also found that the selection of the observational data set for the application of the bias correction has an impact on the projected signal that could be of the same order of magnitude to the selection of the Global Climate Model (GCM).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,106
Score d'incertitude au seuil0,461

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,222
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations65
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHydrology and earth system sciencesMême sujetHydrology and Watershed Management StudiesTravaux en français237 207