ClimateEU: A high-resolution database of historical and future climate for Europe developed with deep neural networks
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
This study contributes an accessible, comprehensive database of interpolated climate data for Europe that includes monthly, annual, decadal, and 30-year normal climate data for the last approximately 120 years (1901 to present) as well as multi-model CMIP6 climate change projections for the 21st century. The database includes variables relevant for ecological research and infrastructure planning, and comprises more than 25,000 climate grids that can be queried with a provided ClimateEU software package to extract time series for lists of sample locations, or custom grids for specific study areas at any resolution and projection. In addition, continent-wide 1km resolution gridded data are available for download (http://tinyurl.com/ClimateEU). The climate grids were developed with a three-step approach, using thin-plate spline interpolations of weather station data as a first approximation (replacing otherwise needed lengthy pre-training of the neural network). Subsequently, a novel deep learning approach is used to model orographic precipitation, rain shadows, lake and coastal effects at moderate resolution (2.5 arcmin). Lastly, lapse-rate based downscaling is applied to generate high-resolution grids (up to a useful resolution of 250 m in mountenous terrain). The climate estimates were optimized and cross-validated with a checkerboard approach to ensure that training data was spatially distanced from validation data. We conclude with a discussion of applications and limitations of this database.
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) | 0,000 | 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 | 0,002 |
| 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 découle