Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<strong class="journal-contentHeaderColor">Abstract.</strong> The North American Great Plains are a semi-arid and windy environment prone to dust events that produce a variety of hazards to public health, transportation, and land degradation. Dust has substantial spatial variability across the plains, and the weather responsible for that dust is understudied in most of the plains, especially the North and East. Here we identify specific weather patterns associated with dust occurrence across the plains. We make use of an atmospheric classification that defines 21 weather patterns for the Great Plains that includes various stages of warm and cold frontal passages, northerlies, anticyclones, and summertime patterns not associated with mid-latitude cyclones. We use the time series of weather pattern to composite satellite daily dust observations from 2012–2021. We calculate average dust occurrence for each weather pattern, the contribution of each pattern to local dust loads, and identify the specific weather patterns most important to each location and subregion. We find no single weather pattern is responsible for dust occurrence in the plains, but that different patterns are responsible for dust in different subregions of the Great Plains. Passing cold fronts are most responsible for dust events in western Texas and New Mexico, southerlies are responsible in the northeastern plains of from Iowa to the Dakotas, and summer weather patterns produce the majority of dust in the High Plains from Colorado to Canada. Identifying the dust-producing weather patterns of particular subregions is a valuable step toward understanding dust variability and improving dust predictions, both present and future.
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.
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) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,400 | 0,044 |
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 découle