MétaCan
Menu
Retour à la cohorte
Enregistrement W4214634491 · doi:10.1038/s41598-022-07373-3

Anthropogenic influence on the changing risk of heat waves over India

2022· article· en· W4214634491 sur OpenAlexaff
P. Kishore, Ghouse Basha, M. Venkat Ratnam, Amir AghaKouchak, Qiaohong Sun, I. Velicogna, T. B. Ouarda

Notice bibliographique

RevueScientific Reports · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesNational Atmospheric Research Laboratory
Mots-clésHeat waveClimatologyEnvironmental sciencePrecipitationIntensity (physics)Atmospheric sciencesVolcanoLand coverNatural (archaeology)Climate changeGeologyGeographyMeteorologyLand useEcologySeismologyBiologyOceanography

Résumé

récupéré en direct d'OpenAlex

The overarching goal of this paper is to shed light on the human influence on the changing patterns of heat waves in India using the Heat Wave Magnitude Index daily (HWMId). The HWMId obtained from the observational data sets shows a large increase in the heat waves during the past decades. Investigating the effects of natural (e.g., solar variations and volcanic forcings) and anthropogenic (e.g., greenhouse gas emissions, anthropogenic, land use, and land cover) forcings revealed that the anthropogenic factors have cause a two-fold increase in the occurrence probability of severe heat waves in central and mid-southern India during twentieth century. The spatial distribution of maximum HWMId values under natural and all forcings (including anthropogenic) indicates that in most places human activities have increases the frequency, duration and intensity of extreme heat waves. Under the Representative Concentration Pathway (RCP) 4.5, the risk of heat waves is projected to increase tenfold during the twenty-first century. More than ~ 70% of the land areas in India is projected to be influenced by heat waves with magnitudes greater than 9. Furthermore, we find a significant relationship between heat waves and deficits in precipitation. Results show that concurrent heat waves and droughts are projected to increase in most places in India during the twenty-first century.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,012
Tête enseignante GPT0,235
Écart entre enseignants0,223 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations40
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetClimate variability and modelsTravaux en français237 207