Attribution of Extreme Precipitation with Updated Observations and CMIP6 Simulations
Notice bibliographique
Résumé
Abstract While the IPCC Fifth Assessment Working Group I report assessed observed changes in extreme precipitation on the basis of both absolute and percentile-based extreme indices, human influence on extreme precipitation has rarely been evaluated on the basis of percentile-based extreme indices. Here we conduct a formal detection and attribution analysis on changes in four percentile-based precipitation extreme indices. The indices include annual precipitation totals from days with precipitation exceeding the 99th and 95th percentiles of wet-day precipitation in 1961–90 (R99p and R95p) and their contributions to annual total precipitation (R99pTOT and R95pTOT). We compare these indices from a set of newly compiled observations during 1951–2014 with simulations from models participating in phase 6 of the Coupled Model Intercomparison Project (CMIP6). We show that most land areas with observations experienced increases in these extreme indices with global warming during the historical period 1951–2014. The new CMIP6 models are able to reproduce these overall increases, although with considerable over- or underestimations in some regions. An optimal fingerprinting analysis reveals detectable anthropogenic signals in the observations of these indices averaged over the globe and over most continents. Furthermore, signals of greenhouse gases can be separately detected, taking other forcing into account, over the globe and over Asia in these indices except for R95p. In contrast, signals of anthropogenic aerosols and natural forcings cannot be detected in any of these indices at either global or continental scales.
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 | 0,000 | 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 | 0,000 |
| 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 ».