MétaCan
Menu
Retour à la cohorte
Enregistrement W2620615585 · doi:10.1038/s41598-017-02130-3

Historical and Projected Surface Temperature over India during the 20th and 21st century

2017· article· en· W2620615585 sur OpenAlexaff
Ghouse Basha, P. Kishore, M. Venkat Ratnam, A. Jayaraman, Amir Agha Kouchak, Taha B. M. J. Ouarda, I. Velicogna

Notice bibliographique

RevueScientific Reports · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesNational Center for Atmospheric Research
Mots-clésEnvironmental scienceCoupled model intercomparison projectGreenhouse gasRepresentative Concentration PathwaysGlobal warmingClimatologyAtmospheric sciencesClimate changeMaximum temperaturePeriod (music)Climate modelEcologyGeologyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Surface Temperature (ST) over India has increased by ~0.055 K/decade during 1860–2005 and follows the global warming trend. Here, the natural and external forcings (e.g., natural and anthropogenic) responsible for ST variability are studied from Coupled Model Inter-comparison phase 5 (CMIP5) models during the 20th century and projections during the 21st century along with seasonal variability. Greenhouse Gases (GHG) and Land Use (LU) are the major factors that gave rise to warming during the 20th century. Anthropogenic Aerosols (AA) have slowed down the warming rate. The CMIP5 projection over India shows a sharp increase in ST under Representative Concentration Pathways (RCP) 8.5 where it reaches a maximum of 5 K by the end of the 21st century. Under RCP2.6 emission scenarios, ST increases up to the year 2050 and decreases afterwards. The seasonal variability of ST during the 21st century shows significant increase during summer. Analysis of rare heat and cold events for 2080–2099 relative to a base period of 1986–2006 under RCP8.5 scenarios reveals that both are likely to increase substantially. However, by controlling the regional AA and LU change in India, a reduction in further warming over India region might be achieved.

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)0,000
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,011
Tête enseignante GPT0,223
Écart entre enseignants0,212 · 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

Citations170
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetClimate variability and modelsTravaux en français237 207