Winter snowpack loss increases warm-season compound hot-dry extremes
Notice bibliographique
Résumé
Ongoing warming intensifies snowpack extremes, posing significant hydroclimatic risks to socio-ecological systems. However, the relation between snowpack extremes and subsequent compound hydroclimatic extremes remains unclear. Here, we investigated the impact of snowpack extremes on warm-season compound hydroclimatic extremes in the Northern Hemisphere using multisource datasets from 1980 to 2022. We found widespread increases in deficient, short, and deficient-short snowpack extremes, triggering more compound hot-dry extremes within a month after snowpack disappearance (mean coincidence rate over 0.6, p < 0.05). The impact of compound snowpack extremes exceeded that of individual snowpack extremes in both areas (over 10%) and coincidence rates (over 0.2). Meanwhile, increased intensity, rather than frequency, of snowpack extremes drove mainly the occurrence of compound hydroclimatic extremes. Furthermore, background climate factors, followed by vegetation, topography, and soil, affected relations between snowpack and compound hydroclimatic extremes. These findings will deepen our understanding of the emerging consecutive extremes and improve their predictability. The Northern Hemisphere experiences a significant correlation between snowpack extremes and compound hydroclimatic extremes, with increased snowpack extremes triggering more hot-dry extremes, influenced by background climate, vegetation, topography, and soil, according to results from multisource remote sensing data analysis from 1980 to 2022.
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 | 0,000 | 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 | 0,001 | 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) | 0,005 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».