Extreme weather events and death based on temperature and CO2 emission – A global retrospective study in 77 low-, middle- and high-income countries from 1999 to 2018
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to rising temperatures and CO2 emissions, climate change has become one of the most important global issues. We described the relationship between extreme weather-related events and death, globally, from 1999 through 2018. We used data from the emergency events database of the Université Catholique de Louvain. We also categorized the countries’ income according to the World Bank GDP and we used the CO2 emission levels data from the Carbon Dioxide Information Analysis Center to link the GDP and CO2 emissions to years of extreme weather conditions in each country. We conducted descriptive and Poisson Regression analysis to analyze the data. A total of 77 countries reported 425 extreme weather-related events from1999 through 2018. Mortality related events were highest in middle-income countries due to severe winter conditions (N = 2,020) and cold-waves (N = 70,972). The total number of recorded deaths due to heat waves was highest in high-income countries (N = 84,344). Furthermore, the number of deaths in high-income countries, compared to low-income countries, was five-fold higher (IRR 5.18; 95%CI 4.58; 5.85, p < 0.001). The mortality rate in heat season was almost seven-fold higher than that in cold/severe winter (IRR 33.43; 95%CI 32.85; 34.02, p < 0.001). The number of deaths increased significantly with the repetition of extreme events (IRR 6.82; 95%CI 6.68; 6.96, p < 0.001). We found the number of deaths increased in high-income countries, and this was associated with an increase in the number of times extreme events occurred per year and with heat wave.
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.
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 | 0,001 | 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) | 0,001 | 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 découle