MétaCan
Menu
Retour à la cohorte
Enregistrement W2160271847 · doi:10.1109/ijcnn.2009.5178649

Climatic variation of the structure of maximum daily temperatures in Spain: A combined statistical and computational intelligence approach.

2009· article· en· W2160271847 sur OpenAlexaff
Julio J. Valdés, Antonio Pou

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Load and Power Forecasting
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésPeninsulaMediterranean climateGenetic programmingDistribution (mathematics)Computer scienceVariation (astronomy)Empirical orthogonal functionsClimate changeClimatologyFunction (biology)Physical geographyGeographyGeologyMathematicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Two blocks (1904-1921 and 1990-2007) of daily maximum temperature data from seventeen Spanish meteorological stations exhibit a multimodal empirical distribution function (EDF). Most of the stations show important differences in their EDF for each one of the considered periods of time, a fact that reveals the complexity of climatic changes within the accepted general warming trend of the Iberian Peninsula. As a tentative approach to understand the underlying structure of data, each EDF has been decomposed on two normal distributed functions. The parameters describing these functions for each station and for each time period have been space-optimized and visualized using classical optimization and genetic programming. The changes in the geographical distribution of the classes derived from the analysis point towards a recent greater role of Mediterranean climates, spreading its influence to the interior of the Peninsula. The general picture, however, is much more complex than a linear warming and a number of stations even show negative trends. This study is considered to be a preliminary methodological exploration of future procedures destined to close the gap between data driven analysis and what models based upon first principles may tell.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,261
Score d'incertitude au seuil0,182

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,207
Écart entre enseignants0,199 · 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 tête enseignante, 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

Citations2
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEnergy Load and Power ForecastingTravaux en français237 207