MétaCan
Menu
Retour à la cohorte
Enregistrement W1999848848

Glace: The Global Land-Atmosphere Coupling Experiment Part 2: Analysis

2013· book· en· W1999848848 sur OpenAlexaff
Zhichang Guo, Paul A. Dirmeyer, Randal D. Koster, Gordon B. Bonan, Ed Chan, Peter M. Cox, Chris Gordon, Shinjiro Kanae, Eva Kowalczyk, David M. Lawrence, Ping Liu, Cheng‐Hsuan Lu, Sergey Malyshev, B. J. McAvaney, John L. McGregor, Ken Mitchell, David M. Mocko, Taikan Oki, Keith W. Oleson, A. J. Pitman, Y. C. Sud, Christopher M. Taylor, Diana Verseghy, Ratko Vasic, Yongkang Xue, Tomohito J. YAMADA

Notice bibliographique

Revuenon disponible
Typebook
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésPrecipitationAtmosphere (unit)EvaporationEnvironmental scienceAtmospheric sciencesMoistureClimate modelCoupling (piping)Potential evaporationClimatologyClimate changeMeteorologyEcologyGeographyGeologyMaterials scienceBiology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The 12 weather and climate models participating in the Global Land–Atmosphere Coupling Experiment (GLACE) show both a wide variation in the strength of land–atmosphere coupling and some intriguing commonalities. In this paper, the causes of variations in coupling strength—both the geographic variations within a given model and the model-to-model differences—are addressed. The ability of soil moisture to affect precipitation is examined in two stages, namely, the ability of the soil moisture to affect evaporation, and the ability of evaporation to affect precipitation. Most of the differences between the models and within a given model are found to be associated with the first stage—an evaporation rate that varies strongly and consistently with soil moisture tends to lead to a higher coupling strength. The first-stage differences reflect identifiable differences in model parameterization and model climate. Intermodel differences in the evaporation–precipitation connection, however, also play a key role.

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)0,004
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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 Opus0,017
Tête enseignante GPT0,244
Écart entre enseignants0,227 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations262
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetClimate variability and modelsTravaux en français237 207