On the impacts of changing data availability on climate trend analysis
Notice bibliographique
Résumé
In situ station data records usually have different periods of data coverage, with individual station records starting and stopping at different times. These records may also have different missing data rates and missing data rates may change over time. These changes in data availability (i.e., the inhomogeneous sampling of data), can bias trend estimates using a gridded dataset if left untreated. Reanalysis data, such as the 20CRv3, ERA20C, OCADA, and ERA5 datasets can be used to estimate the effects of changes in data availability. This can be done by comparing results from a spatially and temporally complete version of reanalysis dataset with results that are obtained from an incomplete reanalysis dataset that has the same availability in space and time as the station data. Results obtained from the incomplete data can then be compared with the correct results from the corresponding complete dataset.This study uses reanalysis datasets to estimate the effects of changes in data availability on the gridded precipitation and surface air temperature datasets and their representativeness of the climate and changes therein. The estimated effects are then used to correct sampling biases in the gridded datasets, producing sampling bias-corrected gridded datasets for use to assess climate change in Canada. The results show that sampling biases are larger in precipitation data than in temperature data due to the higher temporal and spatial variability of precipitation and lower precipitation station density. The biases are also larger in the period and regions of sparse observations (such as the early period and northern Canada).
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 | 0,014 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».