Observation‐Constrained Projection of Global Flood Magnitudes With Anthropogenic Warming
Notice bibliographique
Résumé
Abstract River flooding is among the costliest natural disasters with severe economic, societal, and environmental consequences. However, substantial uncertainties remain in global and regional projections of future flood conditions simulated by global climate models (GCMs) and/or global hydrological models (GHMs). Using physical models coupled with machine learning (ML), for the first time, we project changes in flood magnitudes of 2062 global river basins by constraining physical‐based streamflow simulations with observations under 1.5°C and 2°C warming scenarios identified for the Representative Concentration Pathway 8.5. We found that, during the validation period, the GHMs‐simulated flood magnitudes would improve with reduced uncertainty over the selected river basins after ML with a Long Short‐Term Memory network. Our estimation suggested that flood magnitudes would increase in many Northern Hemisphere mid‐ and high‐latitude rivers (e.g., Lena River, Amur River and Volga River) but decrease in some river basins in southern Finland and Eastern Europe in future periods (i.e., 1.5°C and 2°C warming levels). In 1.5°C and 2°C warmer worlds, the decreasing flood magnitudes in most South American rivers are associated with decreased soil moisture and increased evapotranspiration induced by warmer temperatures. Although the geographical pattern of changes in flood magnitudes for the +2°C experiment is close to that of the +1.5°C experiment, a 1.5°C warming target is more likely to reduce flood magnitudes of many river basins worldwide (e.g., in central and eastern Siberia, Alaska/Northwest Canada and South America).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».