Ensemble Drought Exposure Projection for Multifactorial Interactive Effects of Climate Change and Population Dynamics: Application to the Pearl River Basin
Notice bibliographique
Résumé
Abstract With a changing climate, drought has become a common natural disaster. In our study, population exposure to drought over the Pearl River Basin (PRB) under climate change is investigated. Drought frequency is evaluated through the Standardized Precipitation Evapotranspiration Index (SPEI). The data needed for SPEI calculation are obtained based on the ensemble of multiple global climate model (GCM) outputs. Population exposure to drought for the future is assessed by combining drought frequency under two emission scenarios (RCP4.5 and RCP8.5) with three downscaled population scenarios (SSP1, SSP2, and SSP3). Moreover, the main contribution (and their interactions) of GCM, RCP, and SSP to the sources of uncertainty on population exposure projections is explored through multilevel factorial analysis. Results indicate that the temperature and precipitation would continually increase for the future, and the increase in drought frequency is more substantial during the 2080s than in the 2050s. Meanwhile, population exposure to drought accounts for 21.60% of the total population in 1976–2005 over the PRB area. During the 2050s, it would decrease to 11.98–12.28% under RCP4.5 and 14.15–14.40% under RCP8.5, respectively. By the 2080s, population exposure would slightly reduce under RCP4.5 and increase to 28.86–29.44% under RCP8.5. GCM is the primary uncertainty source of drought exposure in the 2050s, with contribution rates of 72.41%, 57.47%, 51.10%, and 78.71% to the four responses. In comparison, by the 2080s, RCP is the primary contributing factor, with contribution rates of 53.91%, 44.92%, 64.20%, and 48.00%, respectively.
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 ».