Assessing Climate Change Impacts on Human‐Perceived Temperature Extremes and Underlying Uncertainties
Notice bibliographique
Résumé
Abstract It has been suggested that global warming impacts on human thermal comfort will cause an increase in the heat stress and a decrease in the cold stress in the future. A recent study has shown elevated increases in human‐perceived equivalent temperature (HPET) by using a single index for summer and winter seasons (Li et al., 2018, https://doi.org/10.1038/s41558‐017‐0036‐2 ). However, they have not considered multiple indices with combined effects on deriving HPET, which can result in large uncertainties in assessing climate change impacts on HPET and related extremes. Therefore, we develop a new framework with high‐resolution projections and an ensemble of 10 indices to quantify the impacts of climate change on HPET and related perceived extremes as well as to address uncertainties in both empirical indices and emission scenarios over China. Our findings reveal that different combinations of climatic variables can lead to two opposite conclusions for both normal and extreme conditions. For example, by using indices only considering the combined effect of temperature and relative humidity, China is projected to have an elevated increase in the HPET and in the frequency of high‐temperature extremes. By taking into account wind speed, the country expects to have the HPET even lower than the surface air temperature and an increase in the frequency of low‐temperature extremes. In addition, the resulting range of HPET due to uncertainty in indices is greater than the uncertainty range derived from different emission scenarios for the entire country. Therefore, it is necessary to conduct a comprehensive assessment that explicitly addresses uncertainties in the HPET in order to improve the robustness and reliability of assessing climate change impacts on human‐perceived temperature extremes.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».