MétaCan
Menu
Retour à la cohorte
Enregistrement W3094836545 · doi:10.1175/jcli-d-19-1023.1

Anthropogenic Greenhouse Gas and Aerosol Contributions to Extreme Temperature Changes during 1951–2015

2020· article· en· W3094836545 sur OpenAlexaff
Min‐Gyu Seong, Seung‐Ki Min, Yeon‐Hee Kim, Xuebin Zhang, Ying Sun

Notice bibliographique

RevueJournal of Climate · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesMinistry of Science and ICT, South KoreaNational Research Foundation of KoreaNational Research Foundation
Mots-clésEnvironmental scienceClimatologyGreenhouse gasAerosolAtmospheric sciencesClimate changeMeteorologyGeologyGeographyOceanography

Résumé

récupéré en direct d'OpenAlex

Abstract This study conducted a detection and attribution analysis of the observed global and regional changes in extreme temperatures during 1951–2015. HadEX3 observations were compared with multimodel simulations from the Coupled Model Intercomparison Project phase 6 (CMIP6) using an optimal fingerprinting technique. Annual maximum daily maximum and minimum temperatures (TXx and TNx; warm extremes) and annual minimum daily maximum and minimum temperatures (TXn and TNn; cold extremes) over land were analyzed considering global, continental, and subcontinental scales. Response patterns (fingerprints) of extreme temperatures to anthropogenic (ANT), greenhouse gases (GHG), aerosols (AA), and natural (NAT) forcings were obtained from CMIP6 forced simulations. The internal variability ranges were estimated from preindustrial control simulations. A two-signal detection analysis where the observations are regressed onto ANT and NAT fingerprints simultaneously reveals that ANT signals are robustly detected in separation from NAT over global and all continental domains (North and South America, Europe, Asia, and Oceania) for most of the extreme indices. ANT signals are also detected over many subcontinental regions, particularly for warm extremes (more than 60% of 33 subregions). A three-signal detection analysis that considers GHG, AA, and NAT fingerprints simultaneously demonstrates that GHG signals are detected in isolation from other external forcings over global, continental, and several subcontinental domains especially for warm extremes, explaining most of the observed warming. Moreover, AA influences are detected for warm extremes over Europe and Asia, indicating significant offsetting cooling contributions. Overall, human influences are detected more frequently, compared to previous studies, particularly for cold extremes, due to the extended period and the improved spatial coverage of observations.

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)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,720
Score d'incertitude au seuil0,473

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0000,000

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 Opus0,010
Tête enseignante GPT0,238
Écart entre enseignants0,227 · 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

Citations71
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of ClimateMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207