Future Increases in North American Extreme Precipitation in CMIP6 Downscaled with LOCA
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
Abstract A new set of CMIP6 data downscaled using the localized constructed analogs (LOCA) statistical method has been produced, covering central Mexico through southern Canada at 6-km resolution. Output from 27 CMIP6 Earth system models is included, with up to 10 ensemble members per model and 3 SSPs (245, 370, and 585). Improvements from the previous CMIP5 downscaled data result in higher daily precipitation extremes, which have significant societal and economic implications. The improvements are accomplished by using a precipitation training dataset that better represents daily extremes and by implementing an ensemble bias correction that allows a more realistic representation of extreme high daily precipitation values in models with numerous ensemble members. Over southern Canada and the CONUS exclusive of Arizona (AZ) and New Mexico (NM), seasonal increases in daily precipitation extremes are largest in winter (∼25% in SSP370). Over Mexico, AZ, and NM, seasonal increases are largest in autumn (∼15%). Summer is the outlier season, with low model agreement except in New England and little changes in 5-yr return values, but substantial increases in the CONUS and Canada in the 500-yr return value. One-in-100-yr historical daily precipitation events become substantially more frequent in the future, as often as once in 30–40 years in the southeastern United States and Pacific Northwest by the end of the century under SSP 370. Impacts of the higher precipitation extremes in the LOCA version 2 downscaled CMIP6 product relative to the LOCA downscaled CMIP5 product, even for similar anthropogenic emissions, may need to be considered by end-users.
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 | 0,001 |
| 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 découle