MétaCan
Menu
Retour à la cohorte
Enregistrement W2898406280 · doi:10.1155/2018/4720523

Assessment of Climate Change Impacts on Extreme Precipitation Events: Applications of CMIP5 Climate Projections Statistically Downscaled over South Korea

2018· article· en· W2898406280 sur OpenAlexaff
Jang Hyun Sung, Hyung‐Il Eum, Junehyeong Park, Jaepil Cho

Notice bibliographique

RevueAdvances in Meteorology · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensAlberta Environment and Protected Areas
Organismes subventionnairesKorea Agency for Infrastructure Technology AdvancementMinistry of Land, Infrastructure and Transport
Mots-clésPrecipitationClimate changeClimatologyRepresentative Concentration PathwaysEnvironmental scienceClimate modelReturn periodScale (ratio)Period (music)GeographyMeteorologyCartographyGeology

Résumé

récupéré en direct d'OpenAlex

Climate change may accelerate the water cycle at a global scale, resulting in more frequent extreme climate events. This study analyzed changes in extreme precipitation events employing climate projections statistically downscaled at a station-space scale in South Korea. Among the CMIP5 climate projections, based on spatial resolution, this study selected 26 climate projections that provide daily precipitation under the representative concentration pathway (RCP) 4.5. The results show that a 20-year return period of precipitation event during a reference period (1980∼2005) corresponds to a 16.6 yr for 2011 to 2040, 14.1 yr for 2041 to 2070, and 12.8 yr for 2071 to 2100, indicating more frequent extreme maximum daily precipitation may occur in the future. In addition, we found that the probability density functions of the future periods are located out of the 10% confidence interval of the PDF for the reference period. The result indicates that the design standard under the reference climate is not managed to cope with climate change, and accordingly the revision of the design standard is required to improve sustainability in infrastructures.

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 enseignants0,105
Score d'incertitude au seuil0,748

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,027
Tête enseignante GPT0,337
Écart entre enseignants0,310 · 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

Citations24
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in MeteorologyMême sujetClimate variability and modelsTravaux en français237 207