The influence of atmospheric drivers, environmental factors, and urban land use on extreme hourly precipitation trends over the CONtiguous United States for 40 years at 4-km resolution (CONUS404)
Notice bibliographique
Résumé
High-resolution datasets provide unique insights into extreme precipitation dynamics, capturing atmospheric, environmental, and anthropogenic influences missed by coarser data. Here, we use the 4 km CONUS404 dataset (1980-2021) to analyze trends in extreme hourly precipitation across the contiguous USA and adjacent regions. Using the 42 highest hourly precipitation values (HP42) from the 42-year dataset, we estimate regression slopes for their annual occurrence and intensity. ANOVA analysis examines the effects of elevation and land use on HP42 trends, while Multiple Linear Regression (MLR) assesses the effects of atmospheric drivers (dew point temperature, El Niño, La Niña, and North Atlantic Oscillation). Positive frequency slopes dominate central and northeastern regions, while decreases occur in the West and Southwest. Magnitude slopes are less spatially consistent but near zero in the high-elevation, arid regions of the West. Dew point temperature (TD) drives magnitude trends, while frequency trends are influenced by TD, La Niña, and the positive North Atlantic Oscillation index. Elevation significantly shapes frequency trends, with higher trends at lower and medium elevations (200-1000 m) and weaker trends above 1500 m. Land use impacts vary with elevation; Urban areas show decreasing frequency across several elevations, while natural land uses such as forests and wetlands often exhibit an increase or stabilization in precipitation trends at various elevations. Aggregating variables to coarser resolutions improves MLR model performance, unveiling significant factors by reducing noise. Hotspot analysis reveals that larger cities (e.g., New York, Los Angeles) have concentrated precipitation hotspots, while smaller cities (e.g., Memphis and Nashville) exhibit scattered trends. The overlap between frequency and magnitude clusters highlights shared drivers, suggesting increased vulnerability in peri-urban areas. These findings underscore the need for adaptive strategies addressing the complex interplay of urbanization, elevation, and climate factors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».