Time of emergence of compound events: contribution of univariate and dependence properties
Notice bibliographique
Résumé
Abstract. Many climate-related disasters often result from a combination of several climate phenomena, also referred to as “compound events’’ (CEs). By interacting with each other, these phenomena can lead to huge environmental and societal impacts, at a scale potentially far greater than any of these climate events could have caused separately. Marginal and dependence properties of the climate phenomena forming the CEs are key statistical properties characterising their probabilities of occurrence. In this study, we propose a new methodology to assess the time of emergence of CE probabilities, which is critical for mitigation strategies and adaptation planning. Using copula theory, we separate and quantify the contribution of marginal and dependence properties to the overall probability changes of multivariate hazards leading to CEs. It provides a better understanding of how the statistical properties of variables leading to CEs evolve and contribute to the change in their occurrences. For illustrative purposes, the methodology is applied over a 13-member multi-model ensemble (CMIP6) to two case studies: compound wind and precipitation extremes over the region of Brittany (France), and frost events occurring during the growing season preconditioned by warm temperatures (growing-period frost) over central France. For compound wind and precipitation extremes, results show that probabilities emerge before the end of the 21st century for six models of the CMIP6 ensemble considered. For growing-period frosts, significant changes of probability are detected for 11 models. Yet, the contribution of marginal and dependence properties to these changes in probabilities can be very different from one climate hazard to another, and from one model to another. Depending on the CE, some models place strong importance on both marginal properties and dependence properties for probability changes. These results highlight the importance of considering changes in both marginal and dependence properties, as well as their inter-model variability, for future risk assessments related to CEs.
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 | 0,000 | 0,001 |
| 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 ».