Extreme event attribution using km-scale simulations reveals the pronounced role of climate change in the Durban floods
Notice bibliographique
Résumé
The Durban floods of 11–12 April 2022 is the worst flood disaster in South Africa’s history and raised questions about the role of climate change in the event. Meso-scale dynamics, involving processes that cannot be resolved at the spatial resolutions of current global climate models, played an important role in the heavy falls of rain. Here we report on the development of a convection-permitting conditional extreme event attribution modelling system, well-suited to explore the role of climate change in meso- and convective-scale extreme weather events. The African-based attribution system makes use of a computationally-efficient variable-resolution atmospheric model and runs on a local high-performance computer in South Africa. Similar systems can potentially be rolled out across the Global South (and North). The system relies on a km-scale perturbed-physics ensemble to describe the simulation/structural uncertainty associated with an extreme weather event in an anthropogenically-warmed world, compared to counterfactual cooler worlds where the effects of anthropogenic forcing are (partially) removed. Simulations reveal a pronounced role of climate change in the Durban floods. Average rainfall in the Durban region is simulated to have been at least 40% higher during the two days of the flood, relative to rainfall in a counterfactual cooler world. Climate change substantially increased rainfall during the Durban floods of 11–12 April 2022 in south Africa, with at least 40% higher rainfall compared to a counterfactual cooler world, according to atmospheric model simulations using a km-scale perturbed-physics ensemble to undertake extreme event attribution.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».