Human influence on historical heaviest precipitation events in the Yangtze River Valley
Notice bibliographique
Résumé
Abstract With the recurrence of high-impact extreme events and the growing public demands to understand the causes of the events, event attribution has emerged as a frontier of climate change research. Typically, an event attribution study focuses on one individual extreme event that has just occurred. Studies rarely examine human influence on multiple extreme events in different times of the past. Here we conduct a comprehensive attribution analysis on the four heaviest precipitation events in the Yangtze River Valley during the past 100 years. We start by defining extreme precipitation events as the heaviest precipitation over a fixed size area that is of direct relevance to flood preparedness and management. When examining the events over the historical time, we allow the precise location of the area to change in different years. By definition, four extremely strong events are identified, and they happened in the summer of 1931, 1954, 1998 and 2020. We find that the impacts of greenhouse gases (GHGs) and anthropogenic aerosols (AAs) on these events show clear difference in different time period. The impacts were negligible in the early period and became more and more discernible since the late 20th century. The GHGs have gradually increased the occurrence probability of extreme precipitaiton while the AAs have decreased the occurrence of extrem precipitation. These competing effects from the GHGs and AAs have led to a slight and then gradually increasing human influence on extreme precipitation over time. GHGs have exerted a larger influence on short-duration precipitation events while AAs have had a larger influence on monthly mean precipitation. The more extreme the precipitation event, the clearer the anthropogenic influence.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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 ».