MétaCan
Menu
Retour à la cohorte
Enregistrement W3197471064 · doi:10.1038/s41598-021-96826-2

Extreme rainfall deficits were not the cause of recurring colonial era famines of southern Indian semi-arid regions

2021· article· en· W3197471064 sur OpenAlexaff
Ranjini Ray, Atreyee Bhattacharya, Gaurav Arora, Kushank Bajaj, Keyle Horton, Shi Chen, Supriyo Chakraborty, Amir Bazaz

Notice bibliographique

RevueScientific Reports · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Drought Analysis
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesUniversity of Colorado BoulderIndian Institute of Technology Madras
Mots-clésFamineAridSocioeconomic statusGeographyPrecipitationEconomic shortageClimate changeClimatologyColonialismSocioeconomicsDemographyEcologyPopulationMeteorologyBiologyArchaeologyEconomics

Résumé

récupéré en direct d'OpenAlex

Using information contained in the eighteenth to twentieth century British administrative documents, preserved in the National Archives of India (NAI), we present a 218-year (1729-1947 AD) record of socioeconomic disruptions and human impacts (famines) associated with 'rain failures' that affected the semi-arid regions (SARs) of southern India. By mapping the southern Indian famine record onto long-term spatiotemporal measures of regional rainfall variability, we demonstrate that the SARs of southern India repeatedly experienced famines when annual rainfall reduced by ~ one standard deviation (1 SD), or more, from long-term averages. In other words, 'rain failures' listed in the colonial documents as causes of extreme socioeconomic disruptions, food shortages and human distress (famines) in the southern Indian SARs were fluctuations in precipitation well within the normal range of regional rainfall variability and not extreme rainfall deficits (≥ 3 SD). Our study demonstrates that extreme climate events were not necessary conditions for extreme socioeconomic disruptions and human impacts rendered by the colonial era famines in peninsular India. Based on our findings, we suggest that climate change risk assessement should consider the potential impacts of more frequent low-level anomalies (e.g. 1 SD) in drought prone semi-arid regions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,489
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
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 Opus0,020
Tête enseignante GPT0,231
Écart entre enseignants0,211 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetHydrology and Drought AnalysisTravaux en français237 207