Notice bibliographique
Résumé
pollution, 93, 94 Air quality, 93, 94 Albedo, 73, 175, 183,[234][235][236][237][238][239][240][241][242] 298 croplands, 77, 79 desert, 77, 79, 85 ice, 77, 79 modification, 74, 77 urban, 77, 84 Albedo effect, 267, 269, 270 Albedo enhancement, 34, 36 Albedo management, 250 Albedometer, 235-236 Alkalinity, 208, 210, 215 Aluminum oxide (Al 2 O 3 ), 91, 93, 94 Alzheimer's disease (AD), 93, 94 Animal UN, 127-128, 130 Animals, 125-131, 135-137 Anthropogenic greenhouse gas emissions (GHG), 247-251, 254, 257-258 Antiracist, 68 Archimedes of Syracuse, 433 Arctic, 99-102, 107 Arctic amplification (AA), 302 Arctic ice cover, 271 blocking wind/water interface, 272 climate model results for short and longwave radiation, 268 keeping heat in Arctic Ocean, 266, 268 removal, 269 salinity, reducing, 272 thickness of, 266 Arctic Ocean surface waters, salinity of benefits and challenges of methodology, Biochar, 258 Biogenic materials, 258 Biomass, 258 BLUHI, 232-233 Bogota, 260 Bretton woods, 146 Bright ice initiative, 292 Bright ocean, 22 Budyko blanket, 368 Budyko-sellers models, 179 Bulawayo, 256 CALIPSO, 297, 300, 302-303 Canada, 97-108 Canopy, 232-233 Carancas crater, 394 Carbon border adjustment mechanism (CBAM), 254 Carbon capture, 80 Carbon capture and storage, 98, 104 Carbon capture sequestration, 34 Carbon dioxide emissions, 79 removal, 73-84 Carbon dioxide removal (CDR), 31, 33-34, 36, 43, 44-45, 99, 207-209, 250, 331, 332, 340-344 Carbon export, 331, 332, 341-343 Carbon offsets, 104 Carbon pricing, 254 Carbon sequestering materials, 249, 258, 261 Carbon sinks, 251, 257 Carbonate, 208, 215 Carbon-negative products, 258 Cars, 251, 252, 257, 259 CFD, 233 Chelyabinsk fireball, 392 Chicxulub crater, 394 Cirrus cloud thinning (CCT), 100, 297-303 Cirrus clouds, 307-308 Climate change, 247-250, 252, 254, 256, 258 mitigation, 73-84 Climate change, impacts of, 266 models, heat balance, 266, 267 Climate contracts, 260 Climate damages, 118-120, 122, 123 Climate emergency, 37-38 Climate hegemon, 147-148 Climate isolationism, 65, 66, 67 Climate litigation, 254 Climate modeling, 290 Climate resilience, 256 Climate target, 102 Cloud experiment, 368 Cloud optical depth (COD), 299-300, 302 Cloud radiative effect (CRE), 297, 299-300, 303 Cloud whitening, 34 Clouds cirrus, 77 maritime, 77 CLUHI, 232-233 CO 2 emissions, reducing, 265-266 CO 2 ionization, 370 Coal, 65 Coatings, 240-241 Collective action problem, 142-143, 148 Collective good, 144, 146, 149 Community aerosol and radiation model for atmospheres (CARMA), 193-194, 196 Compound hazards, 53 Concrete, 231-232, 234-235, 238-242 Conduction heat, 271-272 Consultation, 107 Convection, 237-238, 242 Convection, temperature, 271-272 Copenhagen, 259 Copernicus climate change service, 249 COVID-19, 15 Cretaceous-paleogene boundary, 396 Crisis, ecological climate, 65 Croll-Milankovitch cycle, 424 Curitiba, 260 Daisyworld, 429 DART mission, 401, 435 Death, 65 Debye length, 381 Decarbonization, 247-248, 251, 254, 256, 258-261 Decolonial, 68 Deep multi-agent reinforcement learning (DMARL), 181 Deep reinforcement learning (DRL), 171-173, 176-177, 182, 185 Dementia, 93, 94 Direct air capture, 99 Distributed energy systems, 252, 256, 257, 261 10.1002/9781394204847.index, Downloaded from https://onlinelibrary.wiley.com/
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,651 | 0,446 |
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 source (Gemma direct ou Codex distillé), 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 ».