Observed Changes in Extreme Temperature over the Global Land Based on a Newly Developed Station Daily Dataset
Notice bibliographique
Résumé
Abstract This paper presents an analysis of changes in global land extreme temperature indices (1951–2015) based on the new global land surface daily air temperature dataset recently developed by the China Meteorological Administration (CMA). The linear trends of the gridpoint time series and global land mean time series were calculated by using a Mann–Kendall method that accounts for the lag-1 autocorrelation in the time series of annual extreme temperature indices. The results, which are generally consistent with previous studies, showed that the global land average annual and seasonal mean extreme temperature indices series all experienced significant long-term changes associated with warming, with cold threshold indices (frost days, icing days, cold nights, and cold days) decreasing, warm threshold indices (summer days, tropical nights, and warm days) increasing, and all absolute indices (TXx, TXn, TNx, and TNn) also increasing, over the last 65 years. The extreme temperature indices series based on daily minimum temperatures generally had a stronger and more significant trend than those based on daily maximum temperatures. The strongest warming occurred after the mid-1970s, and a few extreme temperature indices showed no significant trend over the period from 1951 to the mid-1970s. Most parts of the global land experienced significant warming trends over the period 1951–2015 as a whole, and the largest trends appeared in mid- to high latitudes of the Eurasian continent.
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 | 0,001 | 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) | 0,001 | 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 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 ».