Historical model biases in monthly high temperature anomalies indicate under-estimation of future temperature extremes
Notice bibliographique
Résumé
Both the mean climate state and anomalies from the mean determine the impact of extreme events, yet how models represent the latter is largely unexplored. Here, we assess skill of climate models participating in the Coupled Model Intercomparison Project Phase 6 (CMIP6) for predicting monthly high temperature anomalies relative to monthly means over time. Models project that, as the planet warms, these high temperature anomalies will increase in subtropical regions and decrease in high latitudes. Both postive and negative biases remain largely unchanged regionally and seasonally within two historical periods, 1980–2001 and 2002–2023. Globally, models have underestimated the 22-year average monthly high temperature anomalies by 2–3% and 22-year maximum anomalies by 11–12%. If historical biases of models carry forward, the on-average 2100 extreme high temperatures in some regions and months could be greater than current projections by 3 K, and greater than 5 K for the most extreme cases. Models tend to underestimate mean monthly maximum temperature anomalies by 2-3% and extreme anomalies by 11-12% over the period 1980 and 2023, which could lead to temperatures 3 °C to 5 °C higher than currently projected by 2100, according to an analysis of multi-model ensemble.
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 | 0,001 | 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 ».