Climate attribution time series track the evolution of human influence on North Pacific sea surface temperature
Notice bibliographique
Résumé
Abstract We apply climate attribution techniques to sea surface temperature time series from five regional North Pacific ecosystems to track the growth in human influence on ocean temperatures over the past seven decades (1950–2022). Using Bayesian estimates of the Fraction of Attributable Risk (FAR) and Risk Ratio (RR) derived from 23 global climate models, we show that human influence on regional ocean temperatures could first be detected in the 1970s and grew until 2014–2020 temperatures showed overwhelming evidence of human contribution. For the entire North Pacific, FAR and RR values show that temperatures have reached levels that were likely impossible in the preindustrial climate, indicating that the question of attribution is already obsolete at the basin scale. Regional results indicate the strongest evidence for human influence in the northernmost ecosystems (Eastern Bering Sea and Gulf of Alaska), though all regions showed FAR values > 0.98 for at least one year. Extreme regional SST values that were expected every 1000–10 000 years in the preindustrial climate are expected every 5–40 years in the current climate. We use the Gulf of Alaska sockeye salmon fishery to show how attribution time series may be used to contextualize the impacts of human-induced ocean warming on ecosystem services. We link negative warming effects on sockeye fishery catches to increasing human influence on regional temperatures (increasing FAR values), and we find that sockeye salmon migrating to sea in years with the strongest evidence for human effects on temperature (FAR ⩾ 0.98) produce catches 1.4 standard deviations below the long-term log mean. Attribution time series may be helpful indicators for better defining the human role in observed climate change impacts, and may thus help researchers, managers, and stakeholders to better understand and plan for the effects of climate change.
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 | 0,001 | 0,005 |
| 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 | 0,001 | 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 ».