A Long-Term, 1-km Resolution Daily Meteorological Dataset for Modeling and Mapping Permafrost in Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Climate warming is causing permafrost thaw and there is an urgent need to understand the spatial distribution of permafrost and its potential changes with climate. This study developed a long-term (1901–2100), 1-km resolution daily meteorological dataset (Met1km) for modeling and mapping permafrost at high spatial resolutions in Canada. Met1km includes eight climate variables (daily minimum, maximum, and mean air temperatures, precipitation, vapor pressure, wind speed, solar radiation, and downward longwave radiation) and is suitable to drive process-based permafrost and other land-surface models. Met1km was developed based on four coarser gridded meteorological datasets for the historical period. Future values were developed using the output of a new Canadian regional climate model under medium-low and high emission scenarios. These datasets were downscaled to 1-km resolution using the re-baselining method based on the WorldClim2 dataset as spatial templates. We assessed Met1km by comparing it to climate station observations across Canada and a gridded monthly anomaly time-series dataset. The accuracy of Met1km is similar to or better than the four coarser gridded datasets. The errors in long-term averages and average seasonal patterns are small. The error occurs mainly in day-to-day fluctuations, thus the error decreases significantly when averaged over 5 to 10 days. Met1km, as a data generating system, is relatively small in data volume, flexible to use, and easy to update when new or improved source datasets are available. The method can also be used to generate similar datasets for other regions, even for the entire global landmass.
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.
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) | 0,002 | 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 découle