Effects of multi-source topographic features on lightning activity in Inner Mongolia: a quantitative analysis based on spatio-temporal data mining and machine learning
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
In order to explore the relationship between multi-source terrain features and lightning activity in Inner Mongolia, monitoring data and digital terrain elevation data of thunderstorm activity in Inner Mongolia from 2014 to 2025 were collected, and the spatio-temporal data mining method of mathematical and statistical analysis was used to analyze the distribution characteristics of lightning activity in Inner Mongolia.Based on the selected terrain feature factors, the machine learning method of multiple regression analysis is used to establish a research model of multi-source terrain features and lightning activity for quantitative analysis.The results show that the frequency of ground flashes in Inner Mongolia is mainly concentrated in May-October, accounting for more than 92% of the whole year, and the seasonal characteristics of its ground flash activities are significant, and the current intensity is mainly concentrated in the range of 20-40 kA.Correlation analysis reveals that multiple features of multi-sourced terrain are positively and negatively correlated with the frequency of lightning ground flashes and the current intensity (p < 0.05), and the prediction error of the constructed regression model for the ground flashes' frequency and the current intensity is 7.31%.The prediction errors of the constructed regression model on ground flash frequency and current intensity are 7.31% and 5.08%, which can provide a reference for lightning disaster prevention and mitigation in Inner Mongolia.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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