MétaCan
Menu
Retour à la cohorte
Enregistrement W1124213845 · doi:10.1038/sdata.2015.42

A spatially comprehensive, hydrometeorological data set for Mexico, the U.S., and Southern Canada 1950–2013

2015· article· en· W1124213845 sur OpenAlexaboutno aff
Ben Livneh, T. J. Bohn, David W. Pierce, Francisco Muñoz‐Arriola, Bart Nijssen, Russell S. Vose, Daniel R. Cayan, L. D. Brekke

Notice bibliographique

RevueScientific Data · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesBureau of ReclamationInstituto Tecnológico de SonoraNational Science Foundation
Mots-clésHydrometeorologyPrecipitationOrographic liftOrographyEvapotranspirationEnvironmental scienceClimatologyMeteorologyGeographyGeologyEcology

Résumé

récupéré en direct d'OpenAlex

A data set of observed daily precipitation, maximum and minimum temperature, gridded to a 1/16° (~6 km) resolution, is described that spans the entire country of Mexico, the conterminous U.S. (CONUS), and regions of Canada south of 53° N for the period 1950-2013. The dataset improves previous products in spatial extent, orographic precipitation adjustment over Mexico and parts of Canada, and reduction of transboundary discontinuities. The impacts of adjusting gridded precipitation for orographic effects are quantified by scaling precipitation to an elevation-aware 1981-2010 precipitation climatology in Mexico and Canada. Differences are evaluated in terms of total precipitation as well as by hydrologic quantities simulated with a land surface model. Overall, orographic correction impacts total precipitation by up to 50% in mountainous regions outside CONUS. Hydrologic fluxes show sensitivities of similar magnitude, with discharge more sensitive than evapotranspiration and soil moisture. Because of the consistent gridding methodology, the current product reduces transboundary discontinuities as compared with a commonly used reanalysis product, making it suitable for estimating large-scale hydrometeorologic phenomena.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0050,011
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,178
Tête enseignante GPT0,295
Écart entre enseignants0,116 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations424
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific DataMême sujetClimate variability and modelsTravaux en français237 207