Collided with COVID-19 Pandemic, the 2020 Yangtze Flood Is Exceptionally Severe
Notice bibliographique
Résumé
During June to July, 2020, persistent heavy precipitation in the Yangtze River Basin (YRB) is resulting in extensive flooding, with over 158 fatalities and tremendous economic losses. This year’s disastrous flooding extreme is exceptionally different from those of other years. It contains over 1000-year return period events (for 30-day cumulative precipitation) as observed in Anhui, Guizhou and Sichuan Provinces. The mean precipitation is 308 mm in July 2020, being 54 mm higher than that of July 1998, when serious floods affected the entire Basin causing tremendous socio-economic consequences. Compared with 1998, the short-term (e.g., 1 day) precipitation in YRB did not show significant increases, while the long-term (e.g., 30 days) cumulative precipitation increases significantly. The highest observed 30-day cumulative precipitation is 1221 mm (in Anhui Province) in 2020, while the highest one in 1998 was 1028 mm (in Jiangxi Province). We thus find that this persistent heavy precipitation is the main cause of flooding in 2020. At the same time, TGR may mitigate up 43% of upstream flood, although the main contributors to this year’s YRB flood are in the middle and lower reaches. Affected by COVID-19, the number of people at risk in the threatened area are increased, and their capacities to mitigate the dual impacts of COVID-19 pandemic and flooding are hindered since (a) the flooding-caused mitigations may limit people’s ability to prevent from virus spreading, and (b) the pandemic is retaining a large amount of migrant workers being within YRB and subject to flooding impacts. Overall, our main discovery is that, although the short-term precipitation in YRB did not increase significantly in 2020, the cumulative one increased significantly in 2020.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».