Potential impacts of climate extremes on snow under global warming conditions in the Mongolian Plateau
Notice bibliographique
Résumé
Purpose The paper aims to investigate the possible changes in mean temperature in the Mongolian Plateau associated with the 1.5 and 2°C global warming targets and how snow changes in the Mongolian Plateau when the mean global warming is well below 2°C or limited to 1.5°C. Design/methodology/approach In total, 30 model simulations of consecutive temperature and precipitation days from Coupled Model Inter-comparison Project Phase 5 (CMIP5) are assessed in comparison with the 111 meteorological monitoring stations from 1961–2005. Multi-model ensemble and model relative error were used to evaluate the performance of CMIP5 models. Slope and the Mann–Kendall test were used to analyze the magnitude of the trends and evaluate the significance of trends of snow depth (SD) from 1981 to 2014 in the Mongolian Plateau. Findings Some models perform well, even better than the majority (80%) of the models over the Mongolian Plateau, particularly HadGEM2-CC, CMCC-CM, BNU-ESM and GFDL-ESM2M, which simulate best in consecutive dry days (CDD), consecutive wet days (CWD), cold spell duration indicator (CSDI) and warm spell duration indicator (WSDI), respectively. Emphasis zones of WSDI on SD were deeply analysed in the 1.5 and 2 °C global warming period above pre-industrial conditions, because it alone has a significant negative relation with SD among the four indices. It is warmer than before in the Mongolian Plateau, particularly in the southern part of the Mongolian Plateau, indicating less SD. Originality/value Providing climate extremes and SD data sets with different spatial-temporal scales over the Mongolian Plateau. Zoning SD potential risk areas and proposing adaptations to promote regional sustainable development.
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) | 0,000 | 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 ».