A high-end estimate of sea-level rise for practitioners
Notice bibliographique
Résumé
Sea-level rise (SLR) is a long-lasting consequence of climate change because global anthropogenic warming takes centuries to millennia to equilibrate. SLR projections based on climate models support policy analysis, risk assessment and adaptation planning today, despite their large uncertainties. The central range of the SLR distribution is estimated by process-based models. However, risk-averse practitioners often require information about plausible future conditions that lie in the tails of the SLR distribution, which are poorly defined by existing models. Here, a community effort combining scientist and practitioners, builds on a framework of discussing physical evidence to quantify high-end global SLR for practice. The approach is complementary to the IPCC AR6 report and provides further physically plausible high-end scenarios. High-end estimates for the different SLR components are developed for two climate scenarios at two timescales. For global warming of +2 ˚C in 2100 (SSP1-2.6) relative to pre-industrial values our high-end global SLR estimates are up to 0.9 m in 2100 and 2.5 m in 2300. Similarly, for +5 ˚C (SSP5-8.5) we estimate up to 1.6 m in 2100 and up to 10.4 m in 2300. The large and growing differences between the scenarios beyond 2100 emphasize the long-term benefits of mitigation. However, even a modest 2 ˚C warming may cause multi-meter SLR on centennial time scales with profound consequences for coastal areas. Earlier high-end assessments focused on instability mechanisms in Antarctica, while we emphasize the timing of ice-shelf collapse around Antarctica, which is highly uncertain due to low understanding of the driving processes.
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) | 0,007 | 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 ».