MétaCan
Menu
Retour à la cohorte
Enregistrement W4392514258 · doi:10.21203/rs.3.rs-3945941/v1

Determination of the performance of Antarctic Ozone Hole Area using Artificial Neural Network

2024· preprint· en· W4392514258 sur OpenAlexaboutno aff
S. K. Ghosh, Himadri Chakraborty Bhattacharyya, Sonia Bhattacharya

Notice bibliographique

RevueResearch Square · 2024
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueAir Quality Monitoring and Forecasting
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Calcutta
Mots-clésArtificial neural networkEnvironmental scienceComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract The stratospheric water vapor was found to increase during the period of last 30 years. This increase is helpful for the depletion as well as production of ozone in stratosphere. Moreover, some sources of nascent chlorine (Cl.) are still present in stratosphere because of their long-life span and over expected emission. The uses of such chemicals were strictly restricted from 1987, the year when Montreal Protocol was signed. Sometimes we found the Antarctic ozone hole area to cross the limit of the threshold value for these reasons. Artificial Neural Network has been applied in the current study. How much time the Antarctic ozone hole area was affected by such greenhouse gas (carbon di oxide, nitrous oxide, methane, CFC-11, water vapor and ozone itself) concentrations in atmosphere as input parameter is shown in the present paper.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,278
Score d'incertitude au seuil0,447

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,128
Tête enseignante GPT0,378
Écart entre enseignants0,250 · 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.

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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch SquareMême sujetAir Quality Monitoring and ForecastingTravaux en français237 207