MétaCan
Menu
Retour à la cohorte
Enregistrement W4417411025 · doi:10.1016/j.wace.2025.100848

Attribution of the 2024 record-breaking precipitation event in Southern Denmark to human-induced climate change

2025· article· en· W4417411025 sur OpenAlexfundno aff
Matthew Newell, Martin Drews, Andrea Böhnisch, Nanna Høgh Ravn, Morten Andreas Dahl Larsen

Notice bibliographique

RevueWeather and Climate Extremes · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesHORIZON EUROPE Framework ProgrammeBayerische Akademie der WissenschaftenBayerisches Staatsministerium für Umwelt und VerbraucherschutzBayerisches Staatsministerium für Wissenschaft, Forschung und KunstUniversité du Québec à MontréalEuropean CommissionBundesministerium für Bildung und ForschungInnovationsfonden
Mots-clésClimate changePrecipitationClimate extremesAttributionExtreme weatherEvent (particle physics)Climate model

Résumé

récupéré en direct d'OpenAlex

An increase in the frequency and severity of extreme weather events has been reported across the globe. These events threaten society through hazards like floods and droughts, underscoring the need to understand how such risks are evolving in a changing climate. Standardized methods have recently been introduced to assess the potential role of climate change for extreme events. The World Weather Attribution (WWA) offers a probabilistic framework to determine whether changes in the frequency and severity of extremes can be attributed to anthropogenic warming. Here we use this methodology to attribute an unprecedented rainfall event in Southern Denmark to anthropogenic climate change. On September 27, 2024, approx. 145 mm of rainfall fell over the city of Esbjerg, marking the highest daily rainfall on record for September. The event caused widespread flooding, disrupting transportation, damaging infrastructure, and affecting residential areas. This study draws on rainfall observations, reanalysis datasets, and climate model ensembles to assess the role of anthropogenic climate change. Notably, this is the first attribution study to apply ClimEx, a high-resolution, regional single-model initial-condition large ensemble (SMILE). The results of the analysis show that the rainfall event was 60 % (−20 %–540 %) more likely in the current climate compared to a pre-industrial climate, and that the intensity of the event increased by 10.2 % (−3.3 %–25.6 %) due to climate change. Our findings also indicate that the frequency and intensity of such events increase with further warming. Overall, this study highlights how hazards, exposure, and vulnerabilities contribute to risk in cities.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,072
Score d'incertitude au seuil0,143

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,038
Tête enseignante GPT0,289
Écart entre enseignants0,251 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWeather and Climate ExtremesMême sujetClimate variability and modelsTravaux en français237 207