XiaoMi-AI文件搜索系统
World File Search Systemextremes
2025年2月17日实习（）
日期项目（动态改编对时间复合氢化气候极端：在全球变化下支持可持续转型）正常寻找1-2个实习生，他们想在2025年秋季学期期间加入一个多学科的搜索团队。工作需要研究与气候相关的天气发生后产生的社会和政策反应，重点是瑞典。包括学习，例如在极端事件，民间社会与政策行为者之间的相互作用或回应的包容性方面实施的紧急措施和政策回应。如果有兴趣，那么与冲突和环境影响相互作用有关的其他任务也可能是您工作的一部分。我们邀请大师的学生参加2025年秋季学期的实习课程。您理想地将整个学期在项目上度过，您将获得相应的课程学分。我们计划在秋季学期期间最多2个全日制实习。您将获得正在进行的研究项目中的研究实习生的经验。您将了解收集和分析数据的过程的各个方面，获得宝贵的深入经验知识，并且您将作为项目团队的综合成员以及和平与冲突研究部的综合成员来做到这一点。预期任务：实习生将主要与收集有关瑞典气候极端影响的定性数据。In liaison with the assigned supervisor and other research group participants, the interns will: a) Collect data on impacts of climate extremes, b) Collect data on policy response of climate ex- tremes c) Conduct qualitative analysis of the impact of climate extremes, d) con- duct basic data management, e) Participate in project discussions and f) Engage with other project activities (based your own interest).
UCLA先前发表的作品
夏季温度极端可能会对人类和生物圈产生很大的影响，极端热量是气候变化最明显的症状之一。多种机制，可以预测极端热量的速度比典型的夏季更快，但目前尚不清楚这是否发生。在这里，我们表明，在观察和历史气候模型模拟中，最热的夏日在每个半球和1959年至2023年的热带地区都以与全球中位数相同的速度变暖。相比之下，最冷的夏日比全球平均平均水平中的中位数更慢，在28个CMIP6模型中，该信号在262个模拟中均未模拟。观察到的冷尾伸展表明，尽管缺乏炎热的日期扩增，观察到的夏季温度却变得更加可变。与中位数相比，可以根据表面辐射净辐射和蒸发分数的变化从表面能量平衡的角度来解释热和冷极端变暖的年际变化和趋势。热带炎热的日期放大预计将来会出现（2024- 2099，SSP3-7.0场景），而北半球的热热预计将继续跟随中位数。
微生物学CBCS MDSU 2024.DOCX
AIM和座右铭是微生物学系（DOM）旨在消除对肉眼看不见生物生命的好奇心。对这种微观的知识应具有对生活的更深入的了解。It answers how life is sustained (evolution), whether there is life on other planets (exobiology), how do the microorganisms live (cell biology, physiology and genetics), how many different types of microorganisms are there (biodiversity), what is their role, how do they interact with other beings and what are the extremes of their life (biogeochemical cycles-ecology) and whether man can utilize them为了他的利益和持续存在的地球生命，包括生物技术，工业，农业，环境，医疗，食物，水和空气微生物学领域。带有座右铭“揭开隐藏的力量”，试图揭示学生和无形朋友的隐藏力量。
精算师气候（和气候风险）指数：用于...
•创建反映精算性观点的索引，是客观的，并且易于理解而不过于简单化•创建一个指数•衡量极端气候变化的索引，以及将这些极端气候与经济和人类损失相关的第二个索引与经济和人类损失相关的第二个索引•使用这些索引•使用这些索引来促进政治事件的一般性促进范围的事件，并促进了行动•行动•行动•行动•行动•行动•行动•行动•行动•行动•赞助商：
审查通过...
新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）
审查通过...
新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）新西兰，新西兰B气候变化研究中心和ARC气候极端卓越中心，新南威尔士大学悉尼大学，新南威尔士大学，悉尼，新南威尔士大学，新南威尔士州，澳大利亚C UNSW AI研究所和数据科学枢纽，新南威尔士大学，新南威尔士大学，新南威尔士大学，新南威尔士大学，澳大利亚，澳大利亚，澳大利亚Zeal Zeal walles and New New New NewsiT of Seelit，Enter Interc. De f´ıSica de Cantabria，CSIC - 西班牙桑坦德大学，西班牙f cantabria大学，西班牙f，西班牙天气和水极端中心，斯克里普斯海洋学研究所，加利福尼亚大学，圣地亚哥，圣地亚哥，加利福尼亚州，加利福尼亚州，加利福尼亚州，加利福尼亚州，洛杉矶大学，洛杉矶，洛杉矶，洛桑大学，弗洛斯曼斯兰大学，洛桑（Lausanne），瑞士沃德（Vaud），瑞士I国家大气研究中心，科罗拉多州博尔德（Boulder）
对气候变化对West Midlands的经济变化的经济影响评估 - 执行摘要
这项研究发现，WMCA地区已经从极端气候产生了经济影响，未来的气候变化预计将为本世纪的该地区带来巨大的额外成本。自上而下的宏观经济分析和对个别风险的自下而上分析表明，到2050年代，WMCA地区的年度经济成本可能为GVA的1.5％-3％，相当于每年1.5亿英镑至29亿英镑，尽管这强调，这些分析并非考虑所有可能的风险。对这些值的不确定性的分析表明，可能会有更高的成本，例如，从更高的变暖场景中，或者包括更多不确定的极端情况。
约束多模型集合中投影的极端降水变化的模式和幅度
摘要：降水对土地的预测对于社会经济风险评估至关重要，但是模型差异限制了其应用。在这里，我们使用一种模式过滤技术来识别多模型合奏的各个成员的低频变化，以评估投影模式和变化幅度的模型之间的差异。特别是，我们将低频组件分析（LFCA）应用于21 CMIP-6模型中每日降水极端的强度和频率。LFCA在预计变化的空间模式下，在模型之间的一致性中带来了适度但统计学上的显着改进，尤其是在温室强迫较弱的情况下。此外，我们表明LFCA促进了对降水极端量表随着单个合奏成员内的全球温度变化而增加降水量量表的强劲识别。尽管这些速率大致与Clausius-Clapeyron关系的期望平均匹配，但各个模型都会表现出很大且显着的差异。蒙特卡洛模拟表明，这些差异至少与气候敏感性的差异一样多，导致投影变化的不确定性。最后，我们将这些缩放率与观察产品鉴定的缩放率进行了比较，这表明几乎所有气候模型都显着低估了降水量增加的速度，而降水量增加的速度已随着历史上的全球温度而扩展。用观测值的约束投影扩大了降水极端的预测强度，并减少了其分布的相对误差。
通过Wasserstein稳定性分析发现21世纪初期的气候变化
气候变化是气候科学中的重要话题，近年来准确，高分辨率数据集的可访问性促进了从大数据资源中提取更多见解。尽管如此，目前的研究主要集中在均值变化上，并在很大程度上忽略了概率分布的变化。在这项研究中，开发了一种称为Wasserstein稳定性分析（WSA）的新方法，以识别概率密度函数（PDF）的变化，尤其是气候变化中极端的事件变化和非线性物理价值约束变化。WSA适用于21世纪初，并与传统的均值趋势分析相比。结果表明，尽管没有明显的趋势，但赤道东太平洋的炎热极端却下降了，极端极端的增加，表明LaNiña样温度变化。在两个北极位置进行进一步的分析表明，海冰严重限制了表面空气温度的热极端。随着海冰融化，这种影响正在减少。通过揭示PDF变化，WSA成为重新检查气候变化动态的有力工具，提供了增强的数据驱动的见解，以理解气候演化。
Daniel S. Cooley
1。Lee J. †，Cooley D.，Wagner A.M.，Liston G.E. （2024+）通过参数的线性映射来投射未来的校准方法。 被接受的环境和生态统计。 2024年10月25日。 2。 Mhatre N.†，Cooley D.（2024）转换了时间序列极端的线性模型。 时间序列分析杂志，45，671-690。 https://doi.org/10.1111/jtsa.12732。 3。 Wixson，T。P.†，Cooley，D。（2023）季节性野生野生风险对变化的归因：统计极端方法。 应用气象与气候学杂志，62，1511-1521。 https://doi.org/10.1175/jamc-d-23-0072.1。 4。 Rohrbeck C.，Cooley D.（2023）使用极端主管模拟洪水事件集。 应用统计的年鉴，17：1333–1352 https：//doi.org/10.1214/22-AOAS1672。 5。 Wagner A.M.，Bennett K.E.，Liston G.E.，Hiemstra C.A.和Cooley D.（2021）雪地占主导地位的极端变化的多个指标，美国水域Yakima River盆地地区，美国水，13：2608。 doi：0.3390/W13192608。 6。 Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R. （2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。 自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。 7。 修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。 环境，32：e2656。Lee J.†，Cooley D.，Wagner A.M.，Liston G.E.（2024+）通过参数的线性映射来投射未来的校准方法。被接受的环境和生态统计。2024年10月25日。2。Mhatre N.†，Cooley D.（2024）转换了时间序列极端的线性模型。时间序列分析杂志，45，671-690。 https://doi.org/10.1111/jtsa.12732。3。Wixson，T。P.†，Cooley，D。（2023）季节性野生野生风险对变化的归因：统计极端方法。应用气象与气候学杂志，62，1511-1521。 https://doi.org/10.1175/jamc-d-23-0072.1。4。Rohrbeck C.，Cooley D.（2023）使用极端主管模拟洪水事件集。应用统计的年鉴，17：1333–1352 https：//doi.org/10.1214/22-AOAS1672。5。Wagner A.M.，Bennett K.E.，Liston G.E.，Hiemstra C.A.和Cooley D.（2021）雪地占主导地位的极端变化的多个指标，美国水域Yakima River盆地地区，美国水，13：2608。 doi：0.3390/W13192608。 6。 Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R. （2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。 自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。 7。 修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。 环境，32：e2656。Wagner A.M.，Bennett K.E.，Liston G.E.，Hiemstra C.A.和Cooley D.（2021）雪地占主导地位的极端变化的多个指标，美国水域Yakima River盆地地区，美国水，13：2608。 doi：0.3390/W13192608。6。Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R. （2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。 自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。 7。 修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。 环境，32：e2656。Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R.（2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。7。修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。环境，32：e2656。https://doi.org/10.1002/env.2656 8。 Yuen R.，Stoev，S.，Cooley D.（2020）极高价值的分布鲁棒推断。 保险：数学与经济学，92：70-89。 https://doi.org/10.1016/j.insmatheco.2020.03.003 9。 江Y.，Cooley D.，Wehner M.P. （2020）主要成分分析，用于极端和对美国降水的应用。 气候杂志，33（15）：6441-6451。 https://doi.org/10.1175/jcli-d-19-0413.1 10。 Cooley D.，Thibaud E.（2019）。 对高维度的依赖性分解。 Biometrika，106：587-604。 doi：10.1093/biomet/asz028。 11。 Hewitt J. †，Fix M.J.†，Hoeting J.A.，Cooley D.S. （2019）。 通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。 jabes; 24：426-443。 doi：10.1007/s13253-019-00356-4 12。 Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。https://doi.org/10.1002/env.2656 8。Yuen R.，Stoev，S.，Cooley D.（2020）极高价值的分布鲁棒推断。保险：数学与经济学，92：70-89。 https://doi.org/10.1016/j.insmatheco.2020.03.003 9。江Y.，Cooley D.，Wehner M.P. （2020）主要成分分析，用于极端和对美国降水的应用。 气候杂志，33（15）：6441-6451。 https://doi.org/10.1175/jcli-d-19-0413.1 10。 Cooley D.，Thibaud E.（2019）。 对高维度的依赖性分解。 Biometrika，106：587-604。 doi：10.1093/biomet/asz028。 11。 Hewitt J. †，Fix M.J.†，Hoeting J.A.，Cooley D.S. （2019）。 通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。 jabes; 24：426-443。 doi：10.1007/s13253-019-00356-4 12。 Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。江Y.，Cooley D.，Wehner M.P.（2020）主要成分分析，用于极端和对美国降水的应用。气候杂志，33（15）：6441-6451。 https://doi.org/10.1175/jcli-d-19-0413.1 10。Cooley D.，Thibaud E.（2019）。对高维度的依赖性分解。Biometrika，106：587-604。doi：10.1093/biomet/asz028。11。Hewitt J. †，Fix M.J.†，Hoeting J.A.，Cooley D.S. （2019）。 通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。 jabes; 24：426-443。 doi：10.1007/s13253-019-00356-4 12。 Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。Hewitt J.†，Fix M.J.†，Hoeting J.A.，Cooley D.S.（2019）。通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。jabes; 24：426-443。doi：10.1007/s13253-019-00356-4 12。Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。jabes; 24：484-501。doi：10.1007/s13253-019-00356-4 13。Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。Cooley D.，Thibaud E.，Castillo F.，Wehner M.F.（2019）。一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。14。Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。网格降水数据集中极端的一致性。气候动力学，52：6651-6670。doi：10.1007/s00382-018-4537-0。15。修复M.†，Cooley D.，Sain S.R.，Tebaldi C.（2018）。在RCP8.5和RCP4.5下，美国降水极端的比较与模式缩放的应用。气候变化，146（3），335-347。doi：10.1007/s10584-016-1656-7。