Accuracy of Local Knowledge in Prediction Seasonal Weather: Empirical Evidence from North eastern Nigeria
Notice bibliographique
Résumé
Over the years, West African Sahel’s people developed some strategies for predicting the seasonal weather using meteorological indicators to plan for extreme weather events. This study used information on local indicators of seasonal weather prediction and mean monthly rainfall and temperature record (1981-2017) from Nguru weather station located at Latitude 14°N in achieving the aim of the study. Both qualitative and quantitate (descriptive and inferential) statistical tools were employed in analysing the collected data. The study found that the local population of the study area used meteorological indicators in predicting the seasonal weather. The results of the analysis revealed that the variability of the annual rainfall during the study period was large. An increasing trend of 3.1mm annually was observed. While decreasing trend in the cold, dry and hot dry season temperature and an increasing trend in warm moist temperature by 0.025°C, 0.05°C and 0.0004°C respectively, was observed. Annual rainfall amount accounts for 31% and 2% variability in cold dry and warm moist season temperature, respectively. Cold, dry season and warm moist season temperature respond to any 1mm increase in annual rainfall by decreasing by 0.012°C and 0.002°C, respectively. The Hot, dry season temperature also accounts for 4% of the variability in annual rainfall. The model’s result revealed anyone 1°C increase in hot dry season temperature lowers the annual rainfall by 10mm. This study confirmed that the observed relationship between seasons weather conditions by local population exist. Therefore annual rainfall is the major determinant of cold dry seasonal temperature in the study area.
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 | 0,000 | 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) | 0,000 | 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 ».