MétaCan
Menu
Retour à la cohorte
Enregistrement W2902080468 · doi:10.5539/enrr.v8n4p49

Global Warming and Water Resources Variability in the Maritime Region of Togo (West Africa)

2018· article· en· W2902080468 sur OpenAlexvenueno aff
Kwami Coco Dzidula Agbewornu

Notice bibliographique

RevueEnvironment and Natural Resources Research · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Rural Development Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGlobal warmingAgricultureClimate changeEnvironmental scienceWater resourcesPopulationGeographyDistribution (mathematics)ClimatologyScale (ratio)Physical geographyEcologyGeologyDemographyMathematicsBiology

Résumé

récupéré en direct d'OpenAlex

One of the most important climatic phenomena of our planet on the threshold of this third millennium is undoubtedly that of global warming. This phenomenon, whose impact on the global environment is disastrous, has been attracting the attention of the international community since the end of the last century. Global warming can be observed on a global scale, but with regional and local signatures. In Togo, the Maritime region which houses the bulk of industrial activities (90%) and densely populated (40% of the national population), would be more exposed to the effects of global warming than all the other regions of the country. The current study uses meteorological and hydrological data to calculate statistical indexes which show the evolution of temperatures and water resources variability. The aim is to detect the signs of global warming and the variability of water resources in order to envisage better adaptation strategies. The results of the analysis of climate data for a long enough period (30 to 50 years) demonstrated a change on rain distribution after 1960 which is prejudicial to rainfall agriculture practiced by about 90% of Togolese crop growers, and an augmentation of the average temperature about 2.2 degree celsius for Lomé and 1.7 degree celsius for Tabligbo.

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)0,003
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,389
Score d'incertitude au seuil0,359

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,025
Tête enseignante GPT0,254
Écart entre enseignants0,229 · 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'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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironment and Natural Resources ResearchMême sujetAgriculture and Rural Development ResearchTravaux en français237 207