Global assessment of historical changes in extreme fire weather: Insight from CMIP6 ensembles and implications for probabilistic attribution to global warming
Notice bibliographique
Résumé
In response to the occurrence of several large wildfire events across the world in recent years, the question of the extent to which climate change may be altering the meteorological conditions conducive to wildfires has become a hot topic of debate. Despite the development of detection and attribution methodologies for climate change impact assessment in the last decade, studies dedicated explicitly to wildfire, or otherwise extreme ‘fire weather’, are still relatively few. Here, for the first time, a global probabilistic framework is developed to examine the extent to which externally forced changes in historical global mean surface temperature anomalies (GMSTA) affected the intensity and duration of fire-conducive weather extremes, defined by the Fire Weather Index (FWI). We use six climate model large ensembles (>10 ensemble members) from the sixth phase of the Coupled Model Intercomparison Project (CMIP6), to extract the forced response of GMSTA. After evaluating the performances of these climate models in simulating fire weather extremes, we examine changes in the probability of fire weather extremes using extreme value distributions, fitted with annual maxima in both FWI intensity and duration, and scaled to externally forced GMSTA. Global probability ratio maps are used to quantify the influence of rising global temperatures on the changing frequency and duration of FWI extremes, and highlight the sensitivity of estimates of historical changes in extreme fire weather to the climate model ensemble chosen for the analysis. A multi-model synthesis accounting for performance of each model confirms an increasing trend in the probability and duration of extreme fire weather linked to externally forced changes in GMSTA, with the largest increases found in southern North America, south-eastern Europe and parts of Australia. The results of the selective synthesis differ from those obtained via a conventional multi-model averaging that does not account for model performance, thereby demonstrating the value added by model evaluation and selection in maximising the robustness of probabilistic attribution studies.
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) | 0,000 | 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 ».