Identifying sensitivities and uncertainties in the attribution of global fire weather extremes using CMIP6 ensembles
Notice bibliographique
Résumé
In response to the occurrence of a number of large wildfire events across the world in recent years, the question of the extent to which climate change may be altering the meteorological conditions conducive to wildfires has become a hot topic of debate. Despite the development of attribution methodologies for extreme events in the last decade, attribution studies dedicated explicitly to wildfire, or otherwise extreme ‘fire weather’, are still relatively few. In turn, there is a lack of consensus on how to define fire risk in a meteorological context, posing a challenge for research in this subfield. Recent work has offered clarification on uncertainties associated with the choice of meteorological indicator to represent fire weather in the context of extreme event attribution but there are additional sensitivities that are still not fully understood. Here, using established statistical methodologies applied to six large (>10-member) CMIP6 model ensembles, we conduct probabilistic attribution of fire weather extremes across the world’s fire-prone regions. We assess trends in extremes in the Canadian Fire Weather Index (FWI) using extreme value distributions, fitted with both annual maxima and peaks over a pre-defined threshold, and scaled to global mean surface temperature. An initial evaluation of model performance shows that, while all models are able to reasonably reproduce observed global patterns in extreme distribution parameters, there are some notable differences at the regional scale. Subsequently, we use probability ratio maps to quantify the influence of rising global temperatures on the changing frequency of FWI extremes. Our results highlight the sensitivity of probabilistic fire weather attribution methodologies to the choice of climate model ensemble. In conclusion, we therefore make a set of recommendations for future attribution of extreme fire weather episodes: (i) the use (and comparison) of multiple model ensembles; (ii) robust evaluation of model capacity to represent fire weather extremes.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».