Observations Over a Century Underscore an Increasing Likelihood of Compound Dry‐Hot Events in China
Notice bibliographique
Résumé
Abstract The impacts of extreme events are seldom caused by a single climatic variable but rather arise from the interaction of multiple climate drivers. This study employs observational data sets with high spatiotemporal resolution to analyze the risk of occurrence of compound dry‐hot events in China over the past 120 years (i.e., 1901–2020). Simultaneously, attribution analysis based on distribution functions explores whether and to what extent human activities influence the occurrence of compound events. The results indicate that over the historical 120‐year period, the frequency of compound dry‐hot events in China has gradually increased, with the highest frequency observed in the most recent 40 years (i.e., 1981–2020). The frequency of compound dry‐hot events during this period is approximately four times that of 1901–1940 and about twice that of 1941–1980. The analysis of the relative importance of different factors reveals that temperature changes contribute more (56%) to the occurrence of compound events than precipitation (23%), and also exceed the interaction between them (21%). The substantial increase in compound dry‐hot events is largely attributed to the influence of human activities. Across seven sub‐regions, human activities have led to an increase in the probability of compound events occurring, ranging from 7.9% to 31.6%. The findings of this study indicate that human activities have significant implications for explaining the observed increase in compound hot and dry events over the past 40 years.
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 | 0,000 | 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 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 ».