Socio‐Economic Risk of Rising Compound Precipitation‐Wind Extremes in San Francisco Bay Area
Notice bibliographique
Résumé
ABSTRACT Compound precipitation‐wind extremes (CPWEs) pose significant socio‐economic challenges in urban areas, with the most severe impacts often felt by vulnerable populations. While CPWE studies have often focused on large‐scale assessments, localised urban contexts, at a scale of a city and its suburban surroundings, remain understudied, particularly in terms of how CPWEs might differentially impact different socio‐economic communities. This study aims to advance understanding of how CPWEs interact with social vulnerability at a localised scale, using the San Francisco Bay Area (SFBA)—a global hotspot for CPWEs with diverse climates, physiography, and socio‐economic factors—as a test case. Daily precipitation and wind speed data (~4 km) from the gridMET dataset (1982–2022) were used to identify CPWEs during the wet season (October–April). Patterns of CPWE event frequency and trends were then analysed. We found that the return period for CPWEs in the SFBA ranges from 0.5 to 2 years, suggesting nearly annual occurrences. Over recent decades, these events have become more frequent (an increase of two events per decade) and more intense, particularly in terms of daily precipitation trends (an increase of 0–5 mm/decade), across the SFBA. We further examined the connection between CPWEs and social vulnerability using the Social Vulnerability Index from the Centers for Disease Control and Prevention, considering factors such as socio‐economic status, household characteristics, racial and ethnic composition, housing conditions, and access to transportation. Key urban centres, such as San José and Oakland, emerged as hotspots where high CPWE frequency coincides with high levels of social vulnerability due to economic constraints, inadequate housing, and limited transportation access. These findings underscore the need for targeted adaptation measures to protect populations most at risk in the SFBA.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».