Mild weather changes over China during 1971–2014: Climatology, trends, and interannual variability
Notice bibliographique
Résumé
While previous studies largely focus on extreme events, little is known about the behaviors of mild weather, a positive and pleasant condition occurring frequently, directly associated with outdoor activities, and highly relatable to the public. Here we examine the climatological characteristics and long-term trends of mild weather over China during 1971-2014, as well as the possible linkage with the El Niño-Southern Oscillation. It is found that, on average, China experiences 94.5 days (25.4% of all days) of mild weather in a year, and the annual number of mild days increased by 1.02% per decade (3.73 days per decade) during 1971-2014, especially in summer (1.54% per decade), spring (1.49% per decade), and autumn (1.03% per decade). We also find that most parts of China have been experiencing increasing mild weather in 1971-1998 but decreasing in 1998-2014. Clustering analysis reveals six subregions that exhibit distinct mild weather behaviors. In particular, harsh seasons (i.e., summer of southern China and winter of northern China) are becoming even less pleasant. Besides these secular trends, it is also noticed that El Niño event in the preceding winter is followed by less pleasant spring and summer and more pleasant autumn and winter in most areas of China. The results reported here have significant implications for urban planners and governmental policymakers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».