MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413835943 · doi:10.1038/s41467-025-62576-2

Human-induced changes in extreme cold surges across the Northern Hemisphere

2025· article· en· W4413835943 sur OpenAlexaff
Yu Nie, Ying Sun, Xuebin Zhang, Gang Chen

Notice bibliographique

RevueNature Communications · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensPacific Institute for Climate SolutionsUniversity of Victoria
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésLatitudeExtreme ColdClimatologyEnvironmental scienceMiddle latitudesNorthern HemisphereForcing (mathematics)Global warmingClimate changeAdvectionAtmospheric sciencesGeologyOceanography

Résumé

récupéré en direct d'OpenAlex

Extreme cold surges, very large temperature drops over a short period of time, have serious impacts on human health, energy supply and ecosystems. While changes in temperature variability and cold extremes in a warming climate are well understood, changes in extreme cold surges and their driving mechanisms are not. Here we show that extreme cold surges have robustly weakened in middle-to-high latitude continents during autumn and winter but have remained almost unchanged in lower latitudes. By diagnosing near-surface thermodynamic budget, we find that this change is mainly induced by anthropogenic forcing. Greenhouse gas forcing decreases the meridional temperature gradient and associated variability in middle-to-high latitudes but has minimal impact in lower latitudes. This leads to similar spatial pattern of changes in nonlinear horizontal temperature advection that dominantly drives the extreme cold surges. Influenced by the same mechanism, extreme cold surges during winter across middle-to-high latitudes will continue to weaken in the future, with an 8%-13% reduction in their strength by the end of the century under the SSP 3-7.0 scenario.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,329
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature Communications→Même sujetClimate variability and models→Travaux en français237 207→