MétaCan
Menu
Retour à la cohorte
Enregistrement W2484952140 · doi:10.14195/978-989-26-0884-6_142

Use of weather generators for assessing local scale impact of climate change on dead fuel moisture

2014· book-chapter· en· W2484952140 sur OpenAlexaboutno aff
Grazia Pellizzaro, Martin Dubrovský, Sara Bortolu, Bachisio Arca, Andrea Ventura, Pierpaolo Duce

Notice bibliographique

RevueImprensa da Universidade de Coimbra eBooks · 2014
Typebook-chapter
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceClimate changeScale (ratio)ClimatologyMoistureMeteorologyAtmospheric sciencesGeographyOceanographyGeologyCartography

Résumé

récupéré en direct d'OpenAlex

The main aims of this work are to identify useful tools to determine potential impacts of expected climate change on dead fuel status in Mediterranean shrubland and, in particular, to estimate the effect of climate changes on the number of days characterized by critical values of dead fuel moisture.Measurements of dead fuel moisture content in Mediterranean shrubland were performed in North Western Sardinia (Italy) for six years by using humidity sensors.Meteorological variables were also recorded.Data were used to determine the accuracy of the Canadian Fine Fuel Moisture Code (FFM code) in modelling moisture dynamics of dead fuel in Mediterranean vegetation.Critical threshold values of FFM code for Mediterranean climate were identified by percentile analysis, and new fuel moisture code classes were also defined.A stochastic weather generator (M&Rfi), linked to climate change scenarios derived from 17 available General Circulation Models (GCMs), was used to produce synthetic weather series, representing present and future climates, for the selected site located in North Western Sardinia, Italy.The number of days with critical FFM code values for present and future climate were calculated and the potential impact of future climate change was analysed.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,024
Tête enseignante GPT0,242
Écart entre enseignants0,218 · 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

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueImprensa da Universidade de Coimbra eBooksMême sujetFire effects on ecosystemsTravaux en français237 207