XiaoMi-AI文件搜索系统
World File Search SystemERA5
利用空中风能的离网应用混合动力系统的尺寸
摘要：大多数未连接到主电网的偏远地区都依靠柴油发电机提供电力。高昂的燃料运输成本和大量的碳排放促使这些地区开发和安装使用可再生能源的混合动力系统。由于风能和太阳能是间歇性的，因此这些能源通常与储能相结合，以获得更稳定的电力供应。本文介绍了一种使用机载风能、太阳能光伏、电池和柴油发电机的离网混合动力系统的建模和定型框架。该框架基于 ERA5 再分析数据集中的风能资源的每小时时间序列数据和 NREL 维护的国家太阳辐射数据库中的太阳能资源。负载数据还包括使用欧洲电力传输系统运营商网络维护的 ENTSO-E 平台的模型和实际数据组合生成的每小时时间序列。该框架的支柱是混合动力系统组件的定型策略，旨在最大限度地降低电力的平准化成本。根据 Kitepower BV 提供的规格，对软翼地面发电 AWE 系统进行建模。通过使用准稳态模型优化系统运行来计算功率曲线。太阳能光伏模块、电池系统和柴油发电机模型均基于公开可用的现成解决方案的规格。MATLAB 环境中框架的源代码可通过 GitHub 存储库获取。为了展示结果，我们描述了一个位于法国马赛的离网军事训练营的假设案例研究。结果表明，通过从纯柴油发电转向由机载风能、太阳能光伏、电池和柴油组成的混合动力系统，可以显著降低电力成本。
CMIP6模型中降水偏差的物理学
摘要：有条件的不稳定性和羽毛的浮力驱动潮湿对流，但在模型对流方案中具有多种代表性。垂直热力学结构信息来自大气辐射测量（ARM）位点和重新分析（ERA5），卫星来源的降水（TRMM3B42）以及与羽流浮力相关的诊断方法用于评估气候模型。以前的工作表明，CMIP6模型比其CMIP5对应物更准确地代表潮湿的对流过程。然而，对流发作的某些偏见在CMIP建模工作中仍然存在。我们诊断出每日产量的九个CMIP6模型的队列中诊断这些偏差，从而评估了等效温度，U e和饱和等效温度的条件不稳定性与羽毛模型相比，具有不同混合假设的羽状模型。大多数型号捕获了垂直结构的定性方面，包括与较低的自由对流层高度相当下降，并随着沉积空气的夹带而进行。我们定义了“伪进入”的诊断，该诊断结合了相结合的条件不稳定性，类似于小型建筑物近似值下的夹带会产生的条件不稳定性。这捕获了较大的衰减率（干空气的夹带）和小的饱和度（尽管夹带较高）之间的权衡。此伪进入诊断也是综合浮力开始降水的临界值的合理指标。模型（使用Tiedtke方案的变体的）模型或CAM5的夹带率较低，并且含量较低的模型（例如NASA-GISS）在此诊断中的观察范围内，均位于旁边。
推进数据驱动的天气预报：时间滑动...
模仿传统数值天气预测（NWP）模型并源自全球大气重新分析数据的现代深度学习技术在几年内引起了一场巨大的革命。在这个新的范式中，我们的研究引入了一种新型策略，该策略偏离了对高分辨率数据的共同依赖性，该数据通常受到计算资源的限制，而是利用了全球天气预测和气候数据分析的低分辨率数据（2.5度）。我们的主要重点是评估数据驱动的天气预测（DDWP）框架 - 专门针对样本量的充分性，模型的结构改进以及气候数据代表当前气候趋势的能力。通过使用FourcastNet使用自适应傅里叶神经操作员（AFNO）模型，并提出了一种时间平滑的方法来夸大ECMWF重新分析V5的数据集（ERA5），本文通过添加更多变量和新颖的方法来增强数据和处理方法来改善传统方法。我们的发现表明，尽管分辨率较低，但提出的方法在预测大气条件方面表现出了相当准确的准确性，从而有效地与高分辨率模型抗衡。此外，该研究证实了该模型在反映当前气候趋势及其在预测未来气候事件方面的潜力，强调其在气候变化策略中的效用。这项研究标志着气象预测领域的关键步骤，展示了低分辨率数据在产生可靠的预测和开放途径方面的可行性，以实现更容易获得和包容性的气候建模。这项研究收集的见解不仅有助于气候科学的发展，而且为该领域的未来创新奠定了基础。
使用伊比利亚深度学习的CMIP6地球系统和全球气候模型的高分辨率降低
摘要。深度学习（DL）方法最近引起了气候变化社区的关注，因为它采用了一种创新的方法来缩小地球系统和全球气候模型（ES-GCM）的气候变量，而水平的决议仍然太粗糙，无法将区域范围用于本地刻板现象。在耦合模型对比计划第6阶段（CMIP6）的背景下，在范围为0.70至3.75℃的决议中，对克林率变更（IPCC）的第六次评估报告（AR6）进行了ESGCM模拟。在这里，评估了四个卷积神经网络（CNN）档案的降级能力，到伊比利亚半岛上的0.1°，七个CMIP6 ESGCM的分辨率，这是一个已知的气候变化热点，这是由于其未来预测的未来变暖和干燥条件的脆弱性。该研究分为三个阶段：（1）评估四个CNN体系结构在预测平均值，最低和最高温度以及使用ERE5数据训练并与IBERIA01观察数据集进行比较的每日降水方面的性能； （2）使用训练有素的CNN体系结构对CMIP6 ESGCM进行缩小，并进一步评估与Iberia01的合奏； （3）结合基于CNN的降尺度投影的多模型集合，以在伊比利亚半岛上以0.1◦分辨率在整个21世纪的整个21世纪共享共享社会经济途径（SSP）方案。此外，使用ESGCM cli-div>的高分辨率DL降尺合奏的优点在验证和令人满意的性能评估后，DL降尺度的投影证明了与CMIP6 ESGCM合奏的总体一致，以进行温度投影，并符合预计温度和降水变化的符号。
预测海面温度和海洋热浪发生的机器学习方法：地中海海
摘要。海洋热浪（MHWS）具有显着性和生态影响，因此需要预测这些极端事件，以防止和减轻其负面后果，并向与MHW相关风险的决策者提供有价值的信息。在这项研究中，使用机器学习（ML）技术来预测地中海16个地区的海面温度（SST）时间序列和海洋热浪。mL算法，包括随机森林（Rforest），长期记忆（LSTM）和卷积神经网络（CNN），用于为SST创建竞争性的预测工具。ML mod-eL旨在预测向前7 d的SST和MHW。对于每个区域，我们对ML技术进行了15种不同的实验，从1981年到2017年逐渐滑动训练和4年的测试窗口。沿侧面的SST，其他相关的大气变量被用作MHW的潜在预测指标。来自欧洲航天局气候变化计划（ESA CCI SST）v2.1的数据集和欧洲中范围的天气预报中心（ECMWF）ERA5从1981年到2021年重新分析用于训练和测试ML技术。对于每个区域，结果表明，所有ML方法在1 d交货时间内用微型根平方误（RMS）进行了约0.1°C，最大值在7 d提货时约为0.8°C。在所有区域中，Rforest和LSTM都在所有交货时间内都超过了CNN模型。LSTM在所有交货时期的11个区域中具有最高的预测技能。用于MHW预测，ML用于MHW预测，ML重要的是，ML技术显示了SST和MHW预测的动态哥白尼预测系统（MEDFS）的结果，尤其是在预测的早期日期。
云型的机器学习 - 泰特里 - 观察 -
摘要。气候模型中云反馈的不确定性是未来Climeate预测的主要限制。因此，云模拟的评估和改进对于确保气候模型的准确性至关重要。我们在气候模型中相对于卫星观测值分析了云偏差和云的变化，相对于全球平均值近表面温度（GMST），并将它们与均衡气候灵敏度，瞬态气候响应和云反馈相关联。For this purpose, we develop a supervised deep convolutional artificial neural network for determination of cloud types from low-resolution (2.5 ◦ × 2.5 ◦ ) daily mean top-of-atmosphere shortwave and longwave radiation fields, corresponding to the World Meteorological Organization (WMO) cloud genera recorded by human observers in the Global Telecommunication System (GTS).We train this network on top-of-atmosphere radiation retrieved by the Clouds and the Earth's Radiant Energy System (CERES) and GTS and apply it to the Coupled Model Intercomparison Project Phase 5 and 6 (CMIP5 and CMIP6) model output and the European Centre for Medium-Range Weather Forecasts (ECMWF) Reanalysis version 5 (ERA5) and the Modern-Era Retrospective Analysis for Research and Applications version 2 （Merra-2）Reanalyses。我们比较模型和卫星观测值之间的云类型。我们将偏见与气候灵敏度联系起来，并确定云类型的根平方误差与源自神经网络的均方根误差与模型平衡气候灵敏度（ECS），瞬态气候响应（TCR）和云反馈。模型集合中的这种统计关系有利于具有较高EC，TCR和云反馈的模型。但是，这种关系可能是由于当今偏见和未来预测的云变化之间使用的集合的规模相对较小或解耦。使用ebrupt-4×CO 2 CMIP5和CMIP6实验，我们表明，模拟层状减少和增加的累积云的模型往往具有比模拟层状增加和减小累积云的模型更高的EC，并且这也可以部分解释模型云类型的发生之间的关联。
人为气候变化影响了全球河流流量季节性
基于材料和方法观察数据集1月1个月度流动时间序列（根据每日记录计算）是从2个全球流量指数和元数据存档（GSIM）获得的（18，47）。全球径流数据3中心（48）（GRDC）数据库，以每月规模提供河流流量，该数据库被4 GSIM排除，用作补充数据集。要计算具有最小偏差的RF，制定了两个5个选择标准：i）研究期限从1965年到2014年，以确保6个足够的站点进行空间覆盖范围的足够分析； ii）每月排放量仅在每年8个月可用10个月或更长时间的数据时才能计算年度季节性指数。鉴于气候迅速变化，我们通过将五个定期更新的河流流量数据集（表S3）从国民到2017 - 2019年全球水平结合在一起，扩展了分析，以包括最近的9年。拥有国家或11个大陆数据库的国家/地区的所有GRDC站（例如USGS数据）被替换，以避免重复的时间12系列河流。13为了获得全球范围的覆盖范围，使用了最近发表的全球栅格每月14个径流（Grun）数据集的重建（19）。Grun是从GSIM的原地15个月度河流流量观测到的，其空间分辨率为0.5°，涵盖了1902年至2014年的16个时期（19）。它是通过训练基于全球土壤湿度的降水和温度观察的机器学习算法的17阶段（GSWP3）数据集（19）的训练，因此，Grun无法明确考虑19的效果。S17）。观察到来自GRDC数据集的每月河流排放，并从部门间影响模型对比21项目（ISIMIP2A）重建的2A阶段的20个多模型模拟用于验证（19）。在新出版的G-Run合奏中的另外四个成员22在1965 - 2014年重叠，用来23个说明了径流上大气强迫数据集的不确定性，包括径流24次被CRUTSV4.04，GSWP3-W5E5，GSW3-W5E5，GSWP3-EEMBI和PGFFV3 25（49）强迫。与G-Run合奏的AE趋势的空间模式与Grun 26支持使用Grun进行气候变化检测和归因分析，而27进一步证实了我们结果的鲁棒性（图总而言之，原位观察结果28结合了气候变化的影响（包括ACC，自然强迫和自然29气候变化）和人类活动（例如储层，人类水管理和30种土地利用变化，缩写为HWLU）。相反，Grun和G-Run Ensemble仅31个说明了气候变化的影响。为了排除储层对原位观测值的RFS趋势的空间32模式的影响，水合物subbasin单元（PFAFSTETETER 33级别12）（50）与Grill等人提供的调节程度（DOR）集成在一起。（51）至34个将量规站区分为受储层影响（DOR> 0）的量规站，以及由储层（dor = 0）受到影响的35个。subbasin单位水平的DOR通过在河流范围内选择DOR的36个最大值来表示。使用了1965年至2014年期间的5×5°分辨率的crutem5数据集的平均空气温度数据（55）。有6,150个站点从储层影响中确定为37个，而3,914个站位于sibbasins或38个水库的下游（有49个车站由于在39个岛屿上的存在，而另外7个缺乏DOR信息的车站，因此位于水力发生范围外的49个站点）。在1979 - 2000年的平均降雪与降水量41的比例（52）时，全球范围内的40个降雪区域（52）都在全球范围内确定，其中包含0.5°的全球42降水量和降雪通量。2014年降雪时间序列的时间序列是根据全日制44覆盖率的第五代大气再分析（ERA5）计算得出的（53）。为排除降水季节性，观察到的每月栅格降水45来自全球降水气候中心（GPCC）（54）的数据以2.5×46 2.5°的分辨率在1965-2014时以每月量表为单位。48
新南威尔士州降雨司机的评论
图1：澳大利亚季节性降雨区。中位年降雨量（基于1900年至1999年的100年期）和季节性降雨的发生（与5月至10月相比，11月至4月的降雨量比中位降雨的比率）用于识别六个主要区域；夏季主导（潮湿的夏季，干燥的冬季），夏季（潮湿的夏季，低冬季降雨），统一（无晴朗的季节性），冬季（潮湿的冬季，低夏降雨），冬季占主导地位（潮湿的冬季，干燥的夏季）和干旱（低降雨）。来源：气象局http://www.bom.gov.au/jsp/ncc/climate_averages/climate-classifications/index.jsp。2图2：1900年至2022年之间的新南威尔士州和澳大利亚首都地区的年降雨量。1961 - 1990年之间的平均降雨量为556.2mm。资料来源：气象局； http://www.bom.gov.au/climate/ 3图3：2000年至2019年之间的4月至10月的降雨十分位于1900年至2019年的整个降雨记录。注意最近的湿年（2020，2021，2022）不包括在内。来源：http：//www.bom.gov.au/state-of-the-climate/。4图4：高分辨率（季节性 - 年分辨率）氢气候（降雨和/或温度）代理的位置。来源：Steiger等。24 5图5：在1000至2000 CE之间的每105年期间干燥，中性和潮湿年的比例。来源：Flack等。21 6图6：天气尺度天气的示意图和气候变化模式，对于新南威尔士州的降雨至关重要。来源：气象局。来源：https：//takvera.blogspot.com/2014/01/warming-may-spike-when-pacific-decadal.html。8图8：过去2000年的IPO时间赛。a）扩展法律圆顶IPO重建和Buckley等。43 IPO重建，从1300年至2011年，b）过去2000年。 黑线是使用Folland索引的观察性IPO。 来源：Vance等人42 9图9：LaNiña和ElNiño事件期间的平均步行者循环模式，海面温度和降雨反应的示意图。 11图10：ENSO与澳大利亚降雨的关系。 每个季节的南部振荡指数与澳大利亚降雨量之间的相关性a）DJF-夏季，b）妈妈 - 秋天，c）jja -jja -winter，d）儿子 - 春天。 仅显示95％水平的相关性。 数据周期：1889年至2006年。 来源：Risbey等5。 12图11：在开始阶段的Niño4指数与中太平洋埃尔尼诺事件和东太平洋厄尔尼诺事件的成熟阶段之间的皮尔逊相关系数。 来源：Freund等人61 13图12：在IOD正期和负面事件期间，平均步行者循环模式，海面温度和降雨响应的示意图。 来源：气象局。 16图13：南环模式。 a）南半球的年平均地面风，显示了极地伊斯特利，南极北部南大洋的中纬度西风腰带以及沿澳大利亚东部海岸线的东南贸易风。 使用ERE5 87重新分析表面风（10m）创建的数字。 来源：Hendon等。43 IPO重建，从1300年至2011年，b）过去2000年。黑线是使用Folland索引的观察性IPO。来源：Vance等人42 9图9：LaNiña和ElNiño事件期间的平均步行者循环模式，海面温度和降雨反应的示意图。11图10：ENSO与澳大利亚降雨的关系。每个季节的南部振荡指数与澳大利亚降雨量之间的相关性a）DJF-夏季，b）妈妈 - 秋天，c）jja -jja -winter，d）儿子 - 春天。仅显示95％水平的相关性。数据周期：1889年至2006年。来源：Risbey等5。12图11：在开始阶段的Niño4指数与中太平洋埃尔尼诺事件和东太平洋厄尔尼诺事件的成熟阶段之间的皮尔逊相关系数。来源：Freund等人61 13图12：在IOD正期和负面事件期间，平均步行者循环模式，海面温度和降雨响应的示意图。来源：气象局。16图13：南环模式。a）南半球的年平均地面风，显示了极地伊斯特利，南极北部南大洋的中纬度西风腰带以及沿澳大利亚东部海岸线的东南贸易风。使用ERE5 87重新分析表面风（10m）创建的数字。来源：Hendon等。赤道膨胀和中纬度西风带（由蓝色和红色箭头指示）的极点收缩的变异性以SAM为特征。b）季节性马歇尔山姆指数。来源：https：//climatedataguide.ucar.edu/climate-data/marshall-southern-nular-annular-mode-mode-sam-index-station-17图14：SAM对澳大利亚每日降雨的影响。每个澳大利亚季节正面和负SAM（SAM+减去SAM-）之间的每日降雨（阴影）和850-HPA风（向量）差异。在每个面板的右上列出了SAM的正和负阶段的天数。仅在复合每日异常与95％水平的零差异显着不同的情况下提供阴影。89 18图15：使用Marshall指数，代表代表印度洋偶极子的ElniñoSouthern振荡和偶极模式指数（DMI）的Marshall指数，海洋Niño指数（ONICNIño指数（ONI））的季节平均指数。年对应于十二月。*注意MAM图是年 + 1（例如MAM 2009代表2010年3月至5月的时期）。改编自Udy等人。82 21图16：东海岸旋风子类型。左 - 旋风簇轨道。右 - 第75个百分点降雨。来源：Gray等。115 22
热带或温带气旋：是什么导致了美国东南大西洋沿岸的复合洪水灾害、影响和风险？
海湾。第 2 部分：评估气候变化驱动的沿海灾害和社会经济影响的工具。J Mar Sci Eng 6(3)。https://doi.org/10.3390/jmse6030076 Erikson LH、Herdman L、Flahnerty C、Engelstad A、Pusuluri P、Barnard PL、Storlazzi CD、Beck M、Reguero B、Parker K (2022) 在预计的 CMIP6 风和海冰场的影响下，使用全球尺度数值波浪模型模拟的海浪时间序列数据：美国地质调查局数据发布。 https://doi.org/10.5066/P9KR0RFM Esch T、Heldens W、Hirner A、Keil M、Marconcini M、Roth A、Zeidler J、Dech S、Strano E（2017 年）在从太空绘制人类住区地图方面取得新突破——全球城市足迹。ISPRS J Photogramm Remote Sens 134：30–42。 https://doi.org/10.1016/j.isprsjprs.2017.10.012 Florczyk AJ、Corbane C、Ehrlich D、Freire S、Kemper T、Maffenini L、Melchiorri M、Pesaresi M、Politis P、Schiavina M、Sabo F、Zanchetta L（2019）GHSL 数据包 2019。在：欧盟出版物办公室，卷 JRC117104，7 月期。https://doi.org/10.2760/290498 Giardino A、Nederhoff K、Vousdoukas M（2018）小岛屿沿海灾害风险评估：评估气候变化和减灾措施对埃贝耶（马绍尔群岛）的影响。 Reg Environ Change 18(8):2237–2248。https://doi.org/10.1007/s10113-018-1353-3 Gonzalez VM、Nadal-Caraballo NC、Melby JA、Cialone MA（2019 年）概率风暴潮模型中不确定性的量化：文献综述。ERDC/CHL SR-19–1。密西西比州维克斯堡：美国陆军工程兵研究与发展中心。https://doi.org/10.21079/11681/32295 Gori A、Lin N、Xi D（2020 年）热带气旋复合洪水灾害评估：从调查驱动因素到量化极端水位。地球的未来 8(12)。 https://doi.org/10.1029/2020EF001660 Guo Y、Chang EKM、Xia X (2012) CMIP5 多模型集合投影全球变暖下的风暴轨道变化。J Geophys Res Atmos 117(D23)。https://doi.org/10.1029/2012JD018578 Guo H、John JG、Blanton C、McHugh C (2018) NOAA-GFDL GFDL-CM4 模型输出为 CMIP6 ScenarioMIP ssp585 准备。下载 20190906。地球系统网格联盟。 https://doi.org/10. 22033/ESGF/CMIP6.9268 Han Y, Zhang MZ, Xu Z, Guo W (2022) 评估 33 个 CMIP6 模型在模拟热带气旋大尺度环境场方面的表现。Clim Dyn 58(5–6):1683–1698。https://doi.org/ 10.1007/s00382-021-05986-4 Hauer ME (2019) 按年龄、性别和种族划分的美国各县人口预测，以控制共同的社会经济路径。科学数据 6:1–15。 https://doi.org/10.1038/sdata.2019.5 Hersbach H、Bell B、Berrisford P、Hirahara S、Horányi A、Muñoz-Sabater J、Nicolas J、Peubey C、Radu R、Schepers D、Simmons A、Soci C、Abdalla S、Abellan X、Balsamo G、Bechtold P、Biavati G、Bidlot J, Bonavita M 等人 (2020) ERA5 全局再分析。 QJR Meteorol 协会。 https://doi.org/10.1002/qj. 3803 Homer C，Dewitz J，Jin S，Xian G、Costello C、Danielson P、Gass L、Funk M、Wickham J、Stehman S、Auch R、Riitters K (2020) 来自 2016 年国家土地覆盖数据库的 2001-2016 年美国本土土地覆盖变化模式。ISPRS J Photogramm Remote Sens 162（二月）：184-199。https://doi.org/10.1016/j.isprsjprs.2020.02.019 Huang W、Ye F、Zhang YJ、Park K、Du J、Moghimi S、Myers E、Péeri S、Calzada JR、Yu HC、Nunez K、Liu Z (2021) 飓风哈维期间加尔维斯顿湾周边极端洪灾的复合因素。海洋模型 158：101735。 https://doi.org/10.1016/j.ocemod.2020.101735 Huizinga J、de Moel H、Szewczyk W (2017) 全球洪水深度-损害函数。在：联合研究中心 (JRC)。https://doi.org/10.2760/16510 跨机构绩效评估工作组 (IPET) (2006) 新奥尔良和路易斯安那州东南部飓风防护系统绩效评估跨机构绩效评估工作组第 VIII 卷最终报告草案——工程和运营风险与可靠性分析。Jyoteeshkumar Reddy P、Sriram D、Gunthe SS、Balaji C (2021) 气候变化对季风后孟加拉湾强烈热带气旋的影响：一种伪全球变暖方法。 Clim Dyn 56(9–10):2855–2879。https://doi.org/10.1007/s00382-020-05618-3 Knapp KR、Kruk MC、Levinson DH、Diamond HJ、Neumann CJ（2010）国际气候管理最佳轨迹档案（IBTrACS）。Bull Am Meteor Soc 91(3):363–376。https://doi.org/ 10.1175/2009BAMS2755.1 Knutson TR、Sirutis JJ、Zhao M、Tuleya RE、Bender M、Vecchi GA、Villarini G、Chavas D（2015）根据 CMIP5/RCP4.5 情景的动态降尺度对 21 世纪末强烈热带气旋活动的全球预测。 J Clim 28(18):7203–7224。https://doi.org/10.1175/ JCLI-D-15-0129.1 Kron W（2005）洪水风险 = 危害 • 价值 • 脆弱性。Water Int 30(1):58–68。https://doi.org/10.Gunthe SS、Balaji C (2021) 气候变化对季风后孟加拉湾强烈热带气旋的影响：一种伪全球变暖方法。Clim Dyn 56(9–10):2855–2879。https://doi.org/10.1007/s00382-020-05618-3 Knapp KR、Kruk MC、Levinson DH、Diamond HJ、Neumann CJ (2010) 气候管理国际最佳轨迹档案 (IBTrACS)。Bull Am Meteor Soc 91(3):363–376。 https://doi.org/ 10.1175/2009BAMS2755.1 Knutson TR、Sirutis JJ、Zhao M、Tuleya RE、Bender M、Vecchi GA、Villarini G、Chavas D（2015 年）根据 CMIP5/RCP4.5 情景的动态降尺度对 21 世纪末强烈热带气旋活动的全球预测。J Clim 28(18):7203–7224。https://doi.org/10.1175/ JCLI-D-15-0129.1 Kron W（2005 年）洪水风险 = 危害 • 价值 • 脆弱性。Water Int 30(1):58–68。https://doi.org/10.Gunthe SS、Balaji C (2021) 气候变化对季风后孟加拉湾强烈热带气旋的影响：一种伪全球变暖方法。Clim Dyn 56(9–10):2855–2879。https://doi.org/10.1007/s00382-020-05618-3 Knapp KR、Kruk MC、Levinson DH、Diamond HJ、Neumann CJ (2010) 气候管理国际最佳轨迹档案 (IBTrACS)。Bull Am Meteor Soc 91(3):363–376。 https://doi.org/ 10.1175/2009BAMS2755.1 Knutson TR、Sirutis JJ、Zhao M、Tuleya RE、Bender M、Vecchi GA、Villarini G、Chavas D（2015 年）根据 CMIP5/RCP4.5 情景的动态降尺度对 21 世纪末强烈热带气旋活动的全球预测。J Clim 28(18):7203–7224。https://doi.org/10.1175/ JCLI-D-15-0129.1 Kron W（2005 年）洪水风险 = 危害 • 价值 • 脆弱性。Water Int 30(1):58–68。https://doi.org/10.