Temporal clusters of extreme events across Europe in a regional multi-scenario/multi-member ensemble
Notice bibliographique
Résumé
Climate change drives an increase in the frequency of multiple meteorological extreme event types (e.g., extreme precipitation, storms, droughts, heatwaves) by affecting thermodynamic and dynamic processes in the coupled land-atmosphere system. Extreme events like the extended droughts during 2018-2020 in Europe, flooding triggered by extreme precipitation in Germany in 2021, as well as in Valencia and central France in 2024, or prolonged heatwaves in 2003, 2015, 2018, and 2022 across continental Europe had strong adverse impacts on socio-economic systems and the environment. Given a higher frequency of extreme events, it becomes more likely that regions experience consecutive events of the same type (e.g., multi-annual droughts) or different types of extremes, thereby challenging the regions’ short-term coping and recovery ability and long-term resilience.While extreme events are generally well-studied, holistic analyses of typical extreme event sequences are missing. Compound analyses commonly focus on specific combinations or events, but usually miss typical multi-annual sequences of extreme events with the potential for high impacts.Embedded in the EU horizon 2020 project ARSINOE, our analysis addresses the questions: 1) how often these temporal clusters occur and in which constellations, 2) how robust these constellations are, 3) and what role climate change plays in modulating them. We assess temporal clusters of extreme events on the European scale in a regional multi-model/multi-scenario ensemble of the Canadian Regional Climate Model version 5 (CRCM5) covering the European CORDEX domain at a high spatial resolution (0.11°, 12 km). The CRCM5 was driven by 4 Members of the Max-Planck-Institute Grand Ensemble (MPI-ESM-LR) under SSP1 and SSP3, including corresponding adjustments of land cover. This unique setup allows to sample scenario uncertainty and internal variability. We selected extreme event indicators for extreme heat, droughts, extreme precipitation, wind and fire danger. They cover hazards of regionally varying importance, but each of them poses considerable risks to human and natural systems in Europe.This contribution presents the initial results of climate trends in multiple extreme event indicators under a Paris-Agreement-compliant scenario and a low-mitigation scenario. We also show first findings on consecutive events of these indicators across Europe in reanalysis data and the CRCM5 ensemble. With our research, we aim to map vulnerability hotspots associated with temporally compounding extreme events.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».