Analysis of extreme weather events over Satara district of western Maharashtra using RClimDex model
Notice bibliographique
Résumé
The study on Extreme temperature and precipitation based climatic indices was carried out at Department of Agricultural Meteorology, College of Agriculture, Pune entitled “Analysis of extreme weather events of Western Maharashtra using RclimDex model” during 2021-2023. Daily resolution data required for the monitoring, identification, and attributing to changes in the climatic extreme conditions for Satara district was obtained from website of India Meteorological Department, Pune. The extreme temperature and precipitation-based indices were calculated by using RClimDex model. The RClimDex model was developed and maintained by Xuebin Zhang and Yang Feng at the Climate Research Branch of the Meteorological Service of Canada. The Mann-Kendall trend test was used in this study to determine whether there was a statistically significant increasing or decreasing trend of indices. If significant trend was observed the Sen’s slope estimator test was employed to detect whether the trend is positive or negative. The data analyzed (40 years data) showed variations in frequency and intensity of extreme weather events. Out of the total 19 temperature-based extreme indices for Satara district, 6 indices showed a decreasing trend, 11 indices showed an increasing trend, and two indices did not occur in Satara region. In terms of the precipitation based indices over Satara district out of nine precipitation indices 7 indices showed significantly positive (increasing) trend whereas only two indices namely annual maximum consecutive 1-day precipitation (RX1day) and consecutive dry days (CDD) where maximum number of consecutive days with RR
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».