An event-based typology of hydrological droughts in Bavaria: Type definition, uncertainties and future probability changes at decadal scales
Notice bibliographique
Résumé
<!--!introduction!--><b></b> Southern Germany was subject to considerably adverse effects on water supply during recent hot and dry (compound) summers like 2022, 2018 or 2015. They included, but were not limited to drinking water scarcity, transport shortages, forest damages, and crop yield failures. Major rivers experienced extreme low flows which in parts caused or aggravated these effects. In order to categorize these (hydrological) drought events, we investigate the occurrence and extremeness of alike events in observational data and hydrological simulations in 98 southern German, Austrian and Swiss river catchments under current and climate change conditions. Low flow events correspond to days below a variable percentile threshold with respect to 1991-2020. Recently observed events serve as analogue for event type definition. Event type (e.g., 2018-type) specific characteristics include volume deficit, event duration, and spatial coverage. With this, we also address limitations and uncertainties related to event type definition. Since we aim at robustly quantifying these event types, their characteristics and implications, the sample size of observational records alone is insufficient. Therefore, we employ a large single model initial condition ensemble of a regional climate model (the Canadian Regional Climate Model, version 5; CRCM5-LE) to produce 50 instances of hydrological simulations (1960-2099) in the Water balance Simulation Model (WaSiM). This allows to also investigate currently extremely unlikely or newly emerging events. We further use the comprehensive sample of typified events in the ensemble to assess preceding meteorological and hydrological conditions to create a basis of potential drought predictors on catchment scale.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».