The perfect storm: human influence on the loss potential of Eunice-like cyclones
Notice bibliographique
Résumé
Storm Eunice was a severe windstorm that impacted Central Europe in February 2022. The meteorology and synoptic dynamics of Eunice have been studied in depth in several studies examining features of the storm such as its sting jet. The contribution of climate change to the storm dynamics and severity was examined in previous work, which found that in counterfactual weather forecasts-given an identical initial synoptic setup-climate change had measurably increased the severity of the storm. Here we move beyond meteorological attribution and quantify the role of climate change in the insured losses incurred during Eunice in, to the best of our knowledge, the first impact attribution of its kind for a European windstorm event. We combine the same counterfactual weather forecasts with three loss models, including two state-of-the-art commercial models, finding that the increases in meteorological severity do translate through to significant increases in estimated loss. We estimate a conditional increase in insured loss of nearly €2 bn between pre-industrial and present-day climates. Of particular note is the existence of several members within the forecast ensembles whose losses are far greater than what unfolded in reality. This includes one realisation, simulated in a warmer 'future' climate, in which the estimated loss could reach over 10x the realised loss during Eunice. The plausible existence of such a catastrophic loss is of considerable relevance to a wide variety of stakeholders across adaptation planning and the financial sector. We suggest that our results practically demonstrate not only the utility of counterfactual weather forecasts in quantifying impacts attributable to climate change, but also the value of academic-private partnerships in which the two sectors are able to bring different areas of expertise.
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 | 0,002 | 0,010 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».