Spatial datasets of 30-year (1991–2020) average monthly total precipitation and minimum/maximum temperature for Canada and the United States
Notice bibliographique
Résumé
Thin plate smoothing spline models, covering Canada and the continental United States, were developed using ANUSPLIN for 30-year (1991-2020) monthly mean maximum and minimum temperature and precipitation. These models employed monthly weather station values from the North American dataset published by National Oceanic and Atmospheric Administration's (NOAA's) National Centers for Environmental Information (NCEI). Maximum temperature mean absolute errors (MAEs) ranged between 0.54 °C and 0.64 °C (approaching measurement error), while minimum temperature MAEs were slightly higher, varying from 0.87 °C to 1.0 °C. On average, thirty-year precipitation estimates were accurate to within approximately 10 % of total precipitation levels, ranging from 9.0 % in the summer to 12.2 % in the winter. Error rates were higher in Canada compared to estimates in the United States, consistent with a less dense station network in Canada relative to the United States. Precipitation estimates in Canada exhibited MAEs representing 14.7 % of mean total precipitation compared to 9.7 % in the United States. The datasets exhibited minimal bias overall; 0.004 °C for maximum temperature, 0.01 °C for minimum temperature, and 0.5 % for precipitation. Winter months showed a greater dry bias (0.8 % of total winter precipitation) compared to other seasons (-0.4 % of precipitation). These 30-year gridded datasets are available at ∼2 km resolution.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».