Attribution of human-induced dynamical and thermodynamical contributions in extreme weather events
Notice bibliographique
Résumé
We present a new method that allows a separation of the attribution of human influence in extreme events into changes in atmospheric flows and changes in other processes. Assuming two data sets of model simulations or observations representing a natural, or 'counter-factual' climate, and the actual, or 'factual' climate, we show how flow analogs used across data sets can provide quantitative estimates of each contribution to the changes in probabilities of extreme events. We apply this method to the extreme January precipitation amounts in Southern UK such as were observed in the winter of 2013/2014. Using large ensembles of an atmospheric model forced by factual and counterfactual sea surface temperatures, we demonstrate that about a third of the increase in January precipitation amounts can be attributed to changes in weather circulation patterns and two thirds of the increase to thermodynamic changes. This method can be generalized to many classes of events and regions and provides, in the above case study, similar results to those obtained in Schaller et al (2016 Nat. Clim. Change 6 627–34) who used a simple circulation index, describing only a local feature of the circulation, as in other methods using circulation indices (van Ulden and van Oldenborgh 2006 Atmos. Chem. Phys. 6 863–81).
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 | 0,001 | 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 | 0,001 |
| 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) | 0,002 | 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 ».