MétaCan
Menu
← Retour à la cohorte
Enregistrement W2883155636 · doi:10.1029/2018jd029000

Future Projections of the Large‐Scale Meteorology Associated with California Heat Waves in CMIP5 Models

2018· article· en· W2883155636 sur OpenAlexaboutno aff
Erool Palipane, Richard Grotjahn

Notice bibliographique

RevueJournal of Geophysical Research Atmospheres · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Food and AgricultureOffice of ScienceU.S. Department of AgricultureNational Aeronautics and Space AdministrationU.S. Department of EnergyNational Oceanic and Atmospheric AdministrationNational Science Foundation
Mots-clésHeat waveAnomaly (physics)ClimatologyEnvironmental scienceMaximaScale (ratio)Climate changeClimate modelExtreme value theoryCoupled model intercomparison projectRepresentative Concentration PathwaysMeteorologyAtmospheric sciencesGeologyGeographyMathematicsStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Previous work showed that climate models capture historical large‐scale meteorological patterns (LSMPs) associated with California Central Valley heat waves including both ways these heat waves form. This work examines what models predict under the Representative Concentration Pathway (RCP) 4.5 and RCP8.5 scenarios. Model performance varies, so a multimodel average weights each model based on its historical performance in four parameters. An LSMP index (LSMPi) defined using upper atmosphere variables captures dates of past extreme surface temperature maxima. LSMPi correlates well with all values of California Central Valley‐average surface maximum temperature. LSMPi distributions in future simulations shift ~0.6 standard deviations higher between 1961–2000 and 2061–2100 for RCP8.5 data. Based on the historical climatology, future scenarios show a large increase in the frequency and duration of heat waves in every model. Four times as many heat waves occur and their median duration doubles, using historical thresholds. Of the two ways heat waves form, Type 1 has similar frequency in the future. But, Type 2 becomes much more common because Type 2 has a preexisting hot anomaly in Southwestern Canada, much like the historical to future climatological change in that region (a “global warming” signal). The 20‐year return value anomaly increases by 30–40%. The average of the 50 hottest temperatures increases 3.5–6 K depending on the scenario. When extreme values are defined using the future climatology, the models and their average have no consistent increase or decrease of distribution properties such as shape, scale, and return values of the extremes compared to historical values.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,152
Score d'incertitude au seuil0,302

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,029
Tête enseignante GPT0,302
Écart entre enseignants0,273 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations18
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research Atmospheres→Même sujetClimate variability and models→Travaux en français237 207→