Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Artificial intelligence for modeling and understanding extreme weather and climate events

Identification

Clé publique
radar:r-8af9c68ea29caad7e024d78817567c55
Auteurs
Gustau Camps‐Valls · Miguel‐Ángel Fernández‐Torres · Kai-Hendrik Cohrs · Adrian Höhl · Andrea Francesco Castelletti · Aytaç Paçal · Claire Nicolle Robin · Francesco Martinuzzi · Ioannis Papoutsis · Ioannis Prapas · Jorge Pérez‐Aracil · Katja Weigel · Maria Gonzalez-Calabuig · Markus Reichstein · Martin Rabel · Matteo Giuliani · Miguel D. Mahecha · Oana-Iuliana Popescu · Óscar J. Pellicer-Valero · Said Ouala · Sancho Salcedo‐Sanz · Sebastian Sippel · Spyros Kondylatos · Tamara Happé · Tristan Williams
Année déclarée
2025
Langue déclarée
en
Type source
review
Première détection
2026-11-13T12:46:39.494207+00:00
Dernière observation des métadonnées
2026-11-13T12:46:39.494207+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Universitat de València · Technical University of Munich · RFF-CMCC European Institute on Economics and the Environment · Politecnico di Milano · University of Bremen · Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR) · Max Planck Institute for Biogeochemistry · Center for Scalable Data Analytics and Artificial Intelligence · Leipzig University · National Technical University of Athens · National Observatory of Athens · Universidad de Alcalá · Centre National de la Recherche Scientifique · Institut national de recherche en sciences et technologies du numérique · Laboratoire des Sciences et Techniques de l’Information de la Communication et de la Connaissance · IMT Atlantique · Vrije Universiteit Amsterdam

Pays d’affiliation déclarés

DE · ES · FR · GR · IT · NL

Résumé documentaire — langue originale

In recent years, artificial intelligence (AI) has deeply impacted various fields, including Earth system sciences, by improving weather forecasting, model emulation, parameter estimation, and the prediction of extreme events. The latter comes with specific challenges, such as developing accurate predictors from noisy, heterogeneous, small sample sizes and data with limited annotations. This paper reviews how AI is being used to analyze extreme climate events (like floods, droughts, wildfires, and heatwaves), highlighting the importance of creating accurate, transparent, and reliable AI models. We discuss the hurdles of dealing with limited data, integrating real-time information, and deploying understandable models, all crucial steps for gaining stakeholder trust and meeting regulatory needs. We provide an overview of how AI can help identify and explain extreme events more effectively, improving disaster response and communication. We emphasize the need for collaboration across different fields to create AI solutions that are practical, understandable, and trustworthy to enhance disaster readiness and risk reduction. Artificial Intelligence is transforming the study of extreme climate events like floods, droughts, and wildfires, helping to overcome challenges such as limited data and real-time integration. This review article highlights the need for transparent, reliable AI models to improve disaster response, risk communication and stakeholder trust.

Identifiants

OPENALEX
https://openalex.org/W4407870507
DOI
10.1038/s41467-025-56573-8
PMID
https://pubmed.ncbi.nlm.nih.gov/39994190
PMCID
https://www.ncbi.nlm.nih.gov/pmc/articles/11850610

Repères documentaires

Famille documentaire
unknown
Types déclarés par les sources
review
Éditeurs
Nature Portfolio

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

Gustau Camps‐Valls; Miguel‐Ángel Fernández‐Torres; Kai-Hendrik Cohrs; Adrian Höhl; Andrea Francesco Castelletti; Aytaç Paçal; Claire Nicolle Robin; Francesco Martinuzzi; Ioannis Papoutsis; Ioannis Prapas; Jorge Pérez‐Aracil; Katja Weigel; Maria Gonzalez-Calabuig; Markus Reichstein; Martin Rabel; Matteo Giuliani; Miguel D. Mahecha; Oana-Iuliana Popescu; Óscar J. Pellicer-Valero; Said Ouala; Sancho Salcedo‐Sanz; Sebastian Sippel; Spyros Kondylatos; Tamara Happé; Tristan Williams. Artificial intelligence for modeling and understanding extreme weather and climate events. 2025. https://doi.org/10.1038/s41467-025-56573-8

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Gustau Camps‐Valls; Miguel‐Ángel Fernández‐Torres; Kai-Hendrik Cohrs; Adrian Höhl; Andrea Francesco Castelletti; Aytaç Paçal; Claire Nicolle Robin; Francesco Martinuzzi; Ioannis Papoutsis; Ioannis Prapas; Jorge Pérez‐Aracil; Katja Weigel; Maria Gonzalez-Calabuig; Markus Reichstein; Martin Rabel; Matteo Giuliani; Miguel D. Mahecha; Oana-Iuliana Popescu; Óscar J. Pellicer-Valero; Said Ouala; Sancho Salcedo‐Sanz; Sebastian Sippel; Spyros Kondylatos; Tamara Happé; Tristan Williams. (2025). Artificial intelligence for modeling and understanding extreme weather and climate events. https://doi.org/10.1038/s41467-025-56573-8
Chicago
Gustau Camps‐Valls; Miguel‐Ángel Fernández‐Torres; Kai-Hendrik Cohrs; Adrian Höhl; Andrea Francesco Castelletti; Aytaç Paçal; Claire Nicolle Robin; Francesco Martinuzzi; Ioannis Papoutsis; Ioannis Prapas; Jorge Pérez‐Aracil; Katja Weigel; Maria Gonzalez-Calabuig; Markus Reichstein; Martin Rabel; Matteo Giuliani; Miguel D. Mahecha; Oana-Iuliana Popescu; Óscar J. Pellicer-Valero; Said Ouala; Sancho Salcedo‐Sanz; Sebastian Sippel; Spyros Kondylatos; Tamara Happé; Tristan Williams. Artificial intelligence for modeling and understanding extreme weather and climate events. 2025. https://doi.org/10.1038/s41467-025-56573-8
ISO 690
Gustau Camps‐Valls; Miguel‐Ángel Fernández‐Torres; Kai-Hendrik Cohrs; Adrian Höhl; Andrea Francesco Castelletti; Aytaç Paçal; Claire Nicolle Robin; Francesco Martinuzzi; Ioannis Papoutsis; Ioannis Prapas; Jorge Pérez‐Aracil; Katja Weigel; Maria Gonzalez-Calabuig; Markus Reichstein; Martin Rabel; Matteo Giuliani; Miguel D. Mahecha; Oana-Iuliana Popescu; Óscar J. Pellicer-Valero; Said Ouala; Sancho Salcedo‐Sanz; Sebastian Sippel; Spyros Kondylatos; Tamara Happé; Tristan Williams. Artificial intelligence for modeling and understanding extreme weather and climate events. 2025. https://doi.org/10.1038/s41467-025-56573-8

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. Artificial intelligence for modeling and understanding extreme weather and climate events. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-8af9c68ea29caad7e024d78817567c55/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.1038/s41467-025-56573-8

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature