Extreme precipitation return levels for multiple durations on a global scale
Notice bibliographique
Résumé
Quantifying the magnitude and frequency of extreme precipitation events is key in translating climate observations to planning and engineering design. Past efforts have mostly focused on the estimation of daily extremes using gauge observations. Recent development of high-resolution global precipitation products, now allow estimation of global extremes. This research aims to quantitatively characterize the spatiotemporal behavior of precipitation extremes, by calculating extreme precipitation return levels for multiple durations on the global domain using the Multi-Source Weighted-Ensemble Precipitation (MSWEP) dataset. Both classical and novel extreme value distributions are used to provide insight into the spatial patterns of precipitation extremes. Our results show that the traditional Generalized Extreme Value (GEV) distribution and Peak-Over-Threshold (POT) methods, which only use the largest events to estimate precipitation extremes, are not spatially coherent. The recently developed Metastatistical Extreme Value (MEV) distribution, that includes all precipitation events, leads to smoother spatial patterns of local extremes. For durations of 5 and 10 days, however, there are less events per year to fit the distribution (37 and 22 on average, respectively), leading to larger inter-annual variability and possible overestimation of the extremes. While the GEV and POT methods predict a consistent shift from heavy to thin tails with increasing duration, the MEV method predicts a relatively constant heaviness of the tail for any precipitation duration, opening up an important research question on what is the ‘correct’ tail behavior of extreme precipitation for different durations. The generated extreme precipitation return levels and corresponding parameters are provided as the Global Precipitation EXtremes (GPEX) dataset. These data can be useful for studying the underlying physical processes causing the spatiotemporal variations of the heaviness of extreme precipitation distributions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».