MétaCan
Menu
Retour à la cohorte
Enregistrement W3099371534 · doi:10.1002/joc.6934

The spatiotemporal variations of winter severity over North America

2020· article· en· W3099371534 sur OpenAlexaboutno aff
Chang Liu, Song Feng, Wei Huang

Notice bibliographique

RevueInternational Journal of Climatology · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésClimatologyEnvironmental scienceEl Niño Southern OscillationPacific decadal oscillationWinter seasonNorth Atlantic oscillationGeographyRegional variationGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Winter severity affects many aspects of life, including traffic, public health, and the behaviour of animals and plants. The newly developed accumulated winter season severity index (AWSSI) is used in this study to examine the changes of winter severity across North America (NA) during recent decades. The results indicated that the winter severity experienced a notable interdecadal transition in 1965, characterized by increasing AWSSI before 1965, and decreasing AWSSI after 1965. This study also investigates the relationship between the winter severity and the atmospheric circulations over NA. The variations of winter severity are mainly controlled by temperature, while the large‐scale forcings (i.e., ENSO, PDO, and NAO) also play an important role. In particular, PDO is mainly associated with the opposite variation of winter severity between the Southeastern United States and Northwestern NA, while the NAO leads to the opposite variation of winter severity between the Eastern United States and Eastern Canada. Under the influence of ENSO, the variations of winter severity over Southern and Interior Alaska, the Pacific Northwest, and the Northern Great Plains are opposed to that over the Southern United States and Northern Canada.

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 enseignants0,100
Score d'incertitude au seuil0,199

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
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,018
Tête enseignante GPT0,271
Écart entre enseignants0,253 · 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

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of ClimatologyMême sujetClimate variability and modelsTravaux en français237 207