Drought variability, changes and hot spots across the African continent during the historical period (1928–2017)
Notice bibliographique
Résumé
Abstract The spatiotemporal variability of meteorological droughts, its changes and hot spots location across Africa are analysed for the period spanning 1928–2017 using the Standardized Precipitation Index (SPI) applied to the precipitation products from the Climatic Research Unit (CRU), University of Delaware (UDEL) and Global Precipitation Climatology Centre (GPCC). Spatially, an analysis based on rotational empirical orthogonal function identifies five regions of similar drought variability, namely the Sahel, East Africa, East Southern Africa, West Southern Africa and the Gulf of Guinea. Temporally, the most common periods of drought occurrence are the 1970s, the 1980s and, to a lesser extent, the 1990s. Changes in drought characteristics for the intermediate past (1958–1987) and recent past (1988–2017) compared to the far past (1928–1957) indicate robust increases of drought duration, frequency and severity in the Sahel, and to a lower extent in the Gulf of Guinea, some areas of Central Africa, part of Southern Africa and over Madagascar. These changes are stronger (weaker) along the Sahel during the intermediate past (recent past) and stronger (weaker) over Central and Southern Africa and Madagascar during the recent past (intermediate past). As a consequence, drought hot spots, mostly driven by severity during the regions' wet season, are identified in areas confined in the Sahel during the intermediate past and in regions mainly over Central and Southern Africa and Madagascar during the recent past. Our results are useful for drought disaster risk management across Africa and provide a valuable reference for future drought analysis under global warming conditions.
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 | 0,000 |
| 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) | 0,000 | 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 ».