Data from: A global dataset for economic losses of extreme hydrological events during 1960-2014
Notice bibliographique
Résumé
A comprehensive dataset of extreme hydrological events (EHEs) – floods and droughts, consisting of 2,171 occurrences worldwide, during 1960‐2014 was compiled, and then their economic losses were normalized using a price index in U.S. dollar. The dataset showed a significant increasing trend of EHEs before 2000, while a slight post‐2000 decline. Correspondingly, the EHEs‐caused economic losses increased obviously before 2000 followed by a slight decrease; the post‐2000 decline could be partially attributed to the decreases in drought and flood‐prone area, or climate adaptation practices. Spatially, Asia experienced most EHEs (969), corresponding to the largest share of economic losses (approximately $868 billion for floods and $50 billion for droughts, respectively), while Oceania had the least EHEs (102) and the least economic losses (approximately $19 billion for floods and $45 billion for droughts). The five countries with the highest EHE‐caused economic losses were China, USA, Canada, Australia, and India. Countries that suffered the highest flood‐caused economic losses were China, USA, and Canada. This dataset provides a quantitative linkage between climate science and economic losses at a global scale; and it is beneficial for the regional climatic impact assessments and strategical development for mitigating climate change impacts.
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 ».