Mesh Climate Change Data for Evaluating Climate Change Impacts in Japan under Gradually Increasing Atmospheric CO2 Concentration
Notice bibliographique
Résumé
General circulation models (GCMs) that can simulate global climate are used to predict climate changes caused by an increase in atmospheric CO2 concentration. However, the spatial resolutions of currently running models are rough with a resolution of about 3° to 6° in latitude/longitude. Thus, reducing the relatively large-scale climatic states that the GCM provides to smaller-scale ones is required to evaluate impacts of climate changes on agriculture and natural ecosystems at local and regional scales. We constructed a dataset, namely the mesh climate change data of Japan, using the inverse distance weighted interpolation against coupled atmosphere-ocean GCMs’ (A-O GCMs) experiment results under gradually increasing atmospheric CO2 concentration. The A-O GCMs used in this article are ECHAM4/OPYC3 (Germany), CGCM1 (Canada), CSIRO-Mk2 (Australia), and CCSR/NIES (Japan). The dataset gives tha average climate change scenarios in Japan for every 10-year period over the next 100 years with a resolution of 7.5′ in longitude and 5′ in latitude (approximately 10 by 10 km). This article describes the construction method and contents of the dataset. In order to demonstrate the characteristics of the dataset, we examined the transient changes in spatial distribution of accumulated surface air temperature, accumulated precipitation, and mean short wave radiation during the months of May through September, corresponding with the major crop cultivation period in Japan.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».