MétaCan
Menu
← Retour à la cohorte
Enregistrement W4200093916 · doi:10.1002/essoar.10508865.1

Greater than averages: how metrics of extreme weather are trending differently than averages would suggest

2021· preprint· en· W4200093916 sur OpenAlexaboutno aff
Cameron C. Lee, Omon A. Obarein, Scott C. Sheridan, Erik T. Smith, Ryan E. Adams

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesNational Oceanic and Atmospheric Administration
Mots-clésState (computer science)World Wide WebComputer scienceHistoryProgramming language

Résumé

récupéré en direct d'OpenAlex

Upon the backdrop of steadily rising global average temperatures, it is the extreme weather events that are arguably more important and impactful than changing averages – especially on human health. This research examines trends in North America of three different parameters of extreme temperature events important to human thermal comfort and public health: their frequency, duration, and spatial extent. Most of the changes are expected; that is, with warmer temperatures there are more frequent extreme heat events that are lasting longer and covering more area. However, we highlight some intriguing divergences from this pattern. For example, despite quickly rising autumn temperatures in northern Canada, a concurrent decrease in temperature variability is resulting in extreme heat events remaining stable and is instead manifest more as significant decreases in extreme cold events. In parts of the western US, even though there is no significant trend in autumn mean temperatures, there is a significant rise in extreme cold events. And, in the southern High Plains in summer, despite little trend in averages, a more negative skew to the distribution is nonetheless leading to significant increases in heat events. Seasonal and geographic variability in the trends of extreme dew point events is also explored. For example, increases in extreme humidity events are ubiquitous throughout most of Canada, particularly in summer; but the US has a northeast (increasing humid events) to southwest (increasing dry events) dichotomy that is strongest in winter. While such nuances might complicate our efforts to broadly generalize the message of climate change, these distinctions suggest a renewed emphasis on local- to regional-scale analyses (rather than larger scales) when providing actionable climate information for planners and policymakers.

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)0,009
score de la tête « metaresearch » (Gemma)0,059
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,059
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,006
Études des sciences et des technologies0,0020,005
Communication savante0,0090,018
Science ouverte0,0010,003
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,068
Tête enseignante GPT0,247
Écart entre enseignants0,179 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetClimate variability and models→Travaux en français237 207→