Assessment of Future Risks of Seasonal Municipal Water Shortages Across North America
Notice bibliographique
Résumé
While anthropogenic climate change poses a risk to freshwater resources across the globe through increases in evapotranspiration and temperature, it is essential to quantify the risks at local scales in response to projected trends in both freshwater supply and demand. In this study, we use empirical modeling to estimate the risks of municipal water shortages across North America by assessing the effects of climate change on streamflow and urban water demand. In addition, we aim to quantify uncertainties in both supply and demand predictions. Using streamflow data from both the US and Canada, we first cluster 4,290 streamflow gauges based on hydrograph similarity and geographical location. We develop a set of multiple linear regression (MLR) models, as a simplified analog to a distributed hydrological model, with minimum input data requirements. These MLR models are calibrated to simulate streamflow for the 1993–2012 period using the ERA5 climate reanalysis data. The models are then used to predict streamflow for the 2080–2099 period in response to two climate scenarios (RCP4.5 and RCP8.5) from five global climate models. Another set of MLR models are constructed to project seasonal changes in municipal water consumption for the clustered domains. The models are calibrated against collected data on urban water use from 47 cities across the study region. For both streamflow and water use, we quantified uncertainties in our predictions using stochastic weather generators and Monte Carlo methods. Our study shows the strong predictive power of the MLR models for simulating both streamflow regimes (Kling-Gupta efficiency >0.5) and urban water use (correlation coefficient ≈0.7) in most regions. Under the RCP4.5 (RCP8.5) emissions scenario, the West Coast, the Southwest, and the Deep South (South-Central US and the Deep South) have the highest risk of municipal water shortages. Across the whole domain, the risk is the highest in the summer season when demand is high. We find that the uncertainty in projected changes to the water demand is substantially lower than the uncertainty in the projected changes to the supply. Regions with the highest risk of water shortages should begin to investigate mitigation and adaptation strategies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».