MétaCan
Menu
Retour à la cohorte
Enregistrement W2962760885 · doi:10.1029/2019gl082116

Northern Hemisphere Land Monsoon Precipitation Increased by the Green Sahara During Middle Holocene

2019· article· en· W2962760885 sur OpenAlexafffund
Weiyi Sun, Bin Wang, Qiong Zhang, Francesco S. R. Pausata, Deliang Chen, Guonian Lü, Mi Yan, Liang Ning, Jian Liu

Notice bibliographique

RevueGeophysical Research Letters · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeology and Paleoclimatology Research
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesPriority Academic Program Development of Jiangsu Higher Education InstitutionsNational Key Research and Development Program of ChinaChina Scholarship CouncilVetenskapsrådetNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésHoloceneMonsoonNorthern HemispherePrecipitationClimatologyVegetation (pathology)Environmental scienceLand coverPhysical geographyGeologyLand useOceanographyGeographyEcologyMeteorology

Résumé

récupéré en direct d'OpenAlex

Abstract Changes in land cover and dust emission may significantly influence the Northern Hemisphere land monsoon precipitation (NHLMP), but observations are too short to fully evaluate their impacts. The “Green Sahara” during the mid‐Holocene (6,000 years BP) provides an opportunity to unravel these mechanisms. Here we show that during the mid‐Holocene, most of the NHLMP changes revealed by proxy data are reproduced by the Earth System model results when the Saharan vegetation cover and dust reduction are taken into consideration. The simulated NHLMP significantly increases by 33.10% under the effect of the Green Sahara. The North African monsoon precipitation increases most significantly. Additionally, the Saharan vegetation (dust reduction under vegetated Sahara) alone remotely intensifies the Asian (North American) monsoon precipitation through large‐scale atmospheric circulation changes. These findings imply that future variations in land cover and dust emissions may appreciably influence the NHLMP.

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 enseignants0,025
Score d'incertitude au seuil0,049

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
Bibliométrie0,0000,000
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)0,0020,000

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 Opus0,023
Tête enseignante GPT0,254
Écart entre enseignants0,231 · 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

Citations61
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetGeology and Paleoclimatology ResearchTravaux en français237 207