MétaCan
Menu
Retour à la cohorte
Enregistrement W2223658586 · doi:10.1007/s13280-016-0770-0

Changing Arctic snow cover: A review of recent developments and assessment of future needs for observations, modelling, and impacts

2016· review· en· W2223658586 sur OpenAlexaff
Stef Bokhorst, Stine Højlund Pedersen, Ludovic Brucker, O. A. Anisimov, Jarle W. Bjerke, Ross Brown, Dorothée Ehrich, Richard Essery, Achim Heilig, Susanne Ingvander, Cecilia Johansson, Margareta Johansson, Ingibjörg S. Jónsdóttir, Niila Inga, Kari Luojus, Giovanni Macelloni, Heather Mariash, Donald McLennan, Gunhild Rosqvist, Atsushi Sato, Hannele Savela, Martin Schneebeli, Aleksandr Sokolov, Sergey Sokratov, Silvia Terzago, Dagrun Vikhamar-Schuler, Scott Williamson, Yubao Qiu, Terry V. Callaghan

Notice bibliographique

RevueAMBIO · 2016
Typereview
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensUniversity of AlbertaOuranosEnvironment and Climate Change Canada
Organismes subventionnairesEuropean Environment Agency
Mots-clésSnowpackSnowArcticEnvironmental scienceSnow coverClimate changePhysical geographyClimatologyEnvironmental resource managementMeteorologyGeographyOceanographyGeology

Résumé

récupéré en direct d'OpenAlex

Snow is a critically important and rapidly changing feature of the Arctic. However, snow-cover and snowpack conditions change through time pose challenges for measuring and prediction of snow. Plausible scenarios of how Arctic snow cover will respond to changing Arctic climate are important for impact assessments and adaptation strategies. Although much progress has been made in understanding and predicting snow-cover changes and their multiple consequences, many uncertainties remain. In this paper, we review advances in snow monitoring and modelling, and the impact of snow changes on ecosystems and society in Arctic regions. Interdisciplinary activities are required to resolve the current limitations on measuring and modelling snow characteristics through the cold season and at different spatial scales to assure human well-being, economic stability, and improve the ability to predict manage and adapt to natural hazards in the Arctic region.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
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: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,005
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,100
Tête enseignante GPT0,322
Écart entre enseignants0,222 · 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
GenreSynthèse

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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAMBIOMême sujetCryospheric studies and observationsTravaux en français237 207