Detection and Attribution of Changes in Extreme Temperatures at Regional Scale
Notice bibliographique
Résumé
This paper improves an extreme-value-theory-based detection and attribution method and then applies it to four types of extreme temperatures, annual minimum daily minimum (TNn) and maximum (TXn) and annual maximum daily minimum (TNx) and maximum (TXx), using the HadEX2 observation and the CMIP5 multimodel simulation datasets of the period 1951–2010 at 17 subcontinent regions. The methodology is an analog of the fingerprinting method adapted to extremes using the generalized extreme value (GEV) distribution. The signals are estimated as the time-dependent location parameters of GEV distributions fitted to extremes simulated by multimodel ensembles under anthropogenic (ANT), natural (NAT), or combined anthropogenic and natural (ALL) external forcings. The observed extremes are modeled by GEV distributions whose location parameters incorporate the signals as covariates. A coordinate descent algorithm improves both computational efficiency and accuracy in comparison to the existing method, facilitating detection of multiple signals simultaneously. An overall goodness-of-fit test was performed at the regional level. The ANT signal was separated from the NAT signal in four to six regions. In these analyses, the waiting times of the 1951–55 20-yr return level in the 2006–10 climate for the temperature of the coldest night and day were found to have increased to over 20 yr; the corresponding waiting times for the warmest night and day were found to have dropped below 20 yr in a majority of the regions.
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 | 0,000 |
| 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) | 0,000 | 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 ».