Linear trends in temperature extremes in China, with an emphasis on non-Gaussian and serially dependent characteristics
Notice bibliographique
Résumé
Record-breaking hot and cold extremes have occurred in China in recent years and, therefore, it is compelling to investigate the long-term trend in temperature extremes at individual stations to see whether they have become more frequent. Many previous studies on the linear trend analysis of temperaure extremes in China have used oridinary least squares (OLS) regression, without consideration of non-Gaussian and/or serially dependent characteristics, or nonparametric methods, again not considering the latter, thus leaving some uncertainty in the significance testing. The present study examines in detail these characteristics in eight commonly used extreme temperature indices, on the basis of both station data and gridded data across China. The results show that 71–100% of the stations or grids cannot directly use standard OLS regression to analyze the statistical significance of the linear trend, because of either non-Gaussian or Gaussian but serially dependent characteristics in the regression residuals. Also, more than 43% of the stations and more than 54% of the grid boxes for annual indies cannot directly use the original Sen’s slope estimator and Mann–Kendall test because of serial dependence. Based on a nonparamtric method that takes into account serial dependence, the spatial patterns of the linear trend on an annual basis, as well as in hot and cold extremes, are examined for the period 1960–2017. The results show that hot extremes at most stations have increased, more than 57% of which are statistically significant; whereas, cold extremes at almost all stations have decreased, more than 32% (85%) of which are statistically significant during daytime (at night).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».