Bivariate extreme value analysis of extreme temperature and mortality in Canada, 2000-2020
Notice bibliographique
Résumé
Abstract Climate change increases the risk of illness through rising temperature, severe precipitation and worst air pollution. This paper investigates how monthly excess mortality rate is associated with the increasing frequency and severity of extreme temperature in Canada during 2000-2020. The extreme associations were compared among four age groups across five sub-blocks of Canada based on the datasets of monthly T90 and T10, the two most representative indices of severe weather monitoring measures developed by the actuarial associations in Canada and US. We utilize a combined seasonal Auto-regressive Integrated Moving Average (ARIMA) and bivariate Peaks-Over-Threshold (POT) method to investigate the extreme association via the extreme tail index $$\chi$$ χ and Pickands dependence function plots. It turns out that it is likely (more than 10%) to occur with excess mortality if there are unusual low temperature with extreme intensity (all $$\chi >0.1$$ χ > 0.1 except Northeast Atlantic (NEA), Northern Plains (NPL) and Northwest Pacific (NWP) for age group 0-44), while extreme frequent high temperature seems not to affect health significantly (all $$\chi \le 0.001$$ χ ≤ 0.001 except NWP). Particular attention should be paid to NWP and Central Arctic (CAR) since population health therein is highly associated with both extreme frequent high and low temperatures (both $$\chi =0.3182$$ χ = 0.3182 for all age groups). The revealed extreme dependence is expected to help stakeholders avoid significant ramifications with targeted health protection strategies from unexpected consequences of extreme weather events. The novel extremal dependence methodology is promisingly applied in further studies of the interplay between extreme meteorological exposures, social-economic factors and health outcomes.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,276 | 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 ».