MétaCan
Menu
Retour à la cohorte
Enregistrement W4366312108 · doi:10.3103/s1068373923010077

Iran’s Changing Climate over the Past 30 Years

2023· article· en· W4366312108 sur OpenAlexaff
Pedram Attarod, A. Dezhban, Thomas G. Pypker, Sh. Kh. Sigaroodi, Vilma Bayramzadeh, Qiuhong Tang, Xiaomang Liu, Hamid Soofi Mariv

Notice bibliographique

RevueRussian Meteorology and Hydrology · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésClimatologyClimate changeEnvironmental scienceMeteorologyGeographyPhysical geographyGeologyOceanography

Résumé

récupéré en direct d'OpenAlex

In this study, monthly meteorological parameters of temperature, precipitation, and wind speed recorded at 104 synoptic weather stations scattered across Iran were analyzed to construct annual time series of the meteorological data for a 30-year period (1988–2017) using the Mann–Kendall test and the Sen’s slope estimator. Based on the de Martonne aridity index ( $$I_\mathrm{DM}$$ ) classification, Iran’s climate is mostly categorized as dry and semi-dry. The results indicated annual temperature significantly increased at about 61% of stations and annual precipitation significantly decreased at 21% of stations (at the 95% and 99% significance level). The decline in precipitation occurred in mostly the dry (27%) and semi-dry (21%) regions of Iran. Approximately half of the stations experienced significant increases in wind speed with arid areas experiencing broadest increase. Prediction of future impacts of climate change is needed for this region to mitigate negative effects.

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 consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,167
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0020,001

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 Opus0,015
Tête enseignante GPT0,242
Écart entre enseignants0,227 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRussian Meteorology and HydrologyMême sujetClimate variability and modelsTravaux en français237 207