The motley drivers of heat and cold exposure in 21st century US cities
Notice bibliographique
Résumé
We use a suite of decadal-length regional climate simulations to quantify potential changes in population-weighted heat and cold exposure in 47 US metropolitan regions during the 21st century. Our results show that population-weighted exposure to locally defined extreme heat (i.e., "population heat exposure") would increase by a factor of 12.7-29.5 under a high-intensity greenhouse gas (GHG) emissions and urban development pathway. Additionally, end-of-century population cold exposure is projected to rise by a factor of 1.3-2.2, relative to start-of-century population cold exposure. We identify specific metropolitan regions in which population heat exposure would increase most markedly and characterize the relative significance of various drivers responsible for this increase. The largest absolute changes in population heat exposure during the 21st century are projected to occur in major US metropolitan regions like New York City (NY), Los Angeles (CA), Atlanta (GA), and Washington DC. The largest relative changes in population heat exposure (i.e., changes relative to start-of-century) are projected to occur in rapidly growing cities across the US Sunbelt, for example Orlando (FL), Austin (TX), Miami (FL), and Atlanta. The surge in population heat exposure across the Sunbelt is driven by concurrent GHG-induced warming and population growth which, in tandem, could strongly compound population heat exposure. Our simulations provide initial guidance to inform the prioritization of urban climate adaptation measures and policy.
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) | 0,000 | 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 ».