SC-Earth: A Station-based Serially Complete Earth Dataset from 1950 to 2019
Notice bibliographique
Résumé
Meteorological data from ground stations suffer from temporal discontinuities caused by missing values and short measurement periods. Gap filling and reconstruction techniques have proven to be effective in producing serially complete station datasets that are used for a myriad of meteorological applications (e.g., developing gridded meteorological datasets and validating models). We developed the serially complete Earth (SC-Earth) dataset, which provides global station-based daily precipitation, mean temperature, temperature range, dew-point temperature, and wind speed data from 1950 to 2019. SC-Earth utilizes raw station data from the Global Historical Climatology Network-Daily (GHCN-D) and the Global Surface Summary of the Day (GSOD). The five variables are precipitation (prcp), mean daily temperature (tmean), daily temperature range (trange), dew-point temperature (tdew), and wind speed (wind). Daily minimum and maximum temperature can be inferred from tmean and trange. Humidity variables can be inferred from tdew. There are three files for each variable. "observation" contains quality controlled raw station observations. "estimate" contains SC-Earth estimates for all days (including days that "observation" has values) by merging estimates from 15 strategies (quantile mapping, interpolation, machine learning, and multiple-strategy merging). "final" is the final SC-Earth output, which uses "estimate" to fill the gap that "observation" is not available. Reference: Guoqiang Tang, Martyn P. Clark, Simon Michael Papalexiou. (2021). SC-Earth: A Station-based Serially Complete Earth Dataset from 1950 to 2019. Journal of Climate.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,828 | 0,086 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».