MétaCan
Menu
← Retour à la cohorte
Enregistrement W2179193941 · doi:10.1186/s40322-015-0032-5

Exploring the ability of current climate information to facilitate local climate services for the water sector

2015· article· en· W2179193941 sur OpenAlexaff
Aristeidis Koutroulis, Manolis Grillakis, Ioannis K. Tsanis, Daniela Jacob

Notice bibliographique

RevueEarth Perspectives · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensMcMaster University
Organismes subventionnairesEuropean CommissionU.S. Department of Energy
Mots-clésPrecipitationClimate changeWater resourcesEnvironmental scienceEnvironmental resource managementClimate modelClimatologyAdaptation (eye)Computer scienceMeteorologyGeographyGeology

Résumé

récupéré en direct d'OpenAlex

Local climate services become increasingly necessary in making adaptation to our changing climate more understandable and manageable. The ability of current climate information to develop and support local climate services for water resources management in close collaboration with local users of the water sector from the island of Crete is being explored. Climate modeling output ranging from event scale to decadal and centennial experiments, at hourly to monthly temporal scales and at high resolution (2 Km) to GCM spatial scales (100–250 km), are used to assess climate change impacts on water resources availability and extremes. A robust signal of temperature increase and precipitation decrease is projected for all future periods, in parallel to an increase in magnitude of extreme precipitation. Several messages could be extracted from the provider – user interaction such as the communication of basic concepts and uncertainties, user skepticism and feedback. The frequent personal contact, the communication in layman’s terms of the limitations of the climate impact modeling and the corresponding uncertainties, is the key to successful provisions of suitable information.

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)0,014
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,021
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0050,010
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0170,002

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 Opus0,137
Tête enseignante GPT0,279
Écart entre enseignants0,142 · 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'étudeObservationnel
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

Citations23
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEarth Perspectives→Même sujetClimate variability and models→Travaux en français237 207→