EVALUATING SURFACE TEMPERATURE VARIABILITIES AND CLIMATE EXTREMES IN THE DIENG PLATEAU OVER THREE DECADES
Notice bibliographique
Résumé
This study examines long-term surface temperature variability and climate extremes in the Dieng Plateau, Central Java, from 1991 to 2022. Despite its tropical location, the region’s unique high-altitude microclimate, with frequent frost events, has raised concerns for local agriculture, particularly potato farming. However, limited observational data has constrained in-depth assessments. To address this, we used bias-corrected ERA5 reanalysis data, calibrated using hourly observations from an Automatic Weather Station (AWS) installed in 2021. The analysis focused on climatological trends and temperature-related extreme indices following the Expert Team on Climate Change Detection and Indices (ETCCDI) framework. Our findings indicate seasonal patterns in diurnal temperatures, with JJA (June–August) exhibiting the greatest variability and the lowest night time temperatures, conditions favorable to frost formation. Among the extreme indices, warmest night temperatures (TNx) increased significantly at a rate of 0.017°C/year (p < 0.01), while coldest night temperatures (TNn) showed a slight but significant decline. The frequency of warm nights (TN90p) rose by 0.242 days/month, while cold nights (TN10p) decreased by 0.161 days/month. Meanwhile, trends for warm days (TX90p), cold days (TX10p), and cold spell duration (CSDI) were statistically insignificant. These results highlight the plateau’s sensitivity to night time warming and the potential risk of climate-driven shifts in frost occurrence. The combination of high-resolution reanalysis data and extreme indices offers valuable insight into microclimate behavior in tropical highlands, with direct implications for frost risk management and climate adaptation strategies in vulnerable agricultural zones.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».