Multi-level trend analysis of extreme climate indices by a novel hybrid method of fuzzy logic and innovative trend analysis
Notice bibliographique
Résumé
Multi-level trend analysis of extreme climate variables is an efficient method for in-depth investigation of the climate change impacts on ecohydrology. However, most of existing statistical methods do not reveal potential trends in different levels of data. In this study, a new approach namely Fuzzy Innovative Trend Analysis (FITA) was introduced that takes the advantages of fuzzy logic to improve and facilitate Innovative Trend Analysis (ITA) abilities to multilevel trend detection at Extreme Climate Indices (ECIs). Regarding the graphical nature of the proposed method, two new indices, namely Grow Percent (GP) and Total Grow Percent (TGP) were suggested for quantifying the power of trend at distinct levels. The FITA was utilized for trend detection at three levels of four important ECIs related to precipitation and temperature. To this end, long-term (1960-2021) daily temperature and precipitation observations at six meteorology stations across diverse climatic zones of Iran were used. The multilevel trends attained by the FITA were further compared to those of ITA, Mann-Kendall (M-K), and Sen's slope (SS) tests. The results indicated that the FITA provides promising results with higher interpretability and reliability than its counterparts at all stations. The underlying high-resolution trends detected at certain stations also pointed out that the M-K and SS tests may yield in misleading interpretations when they are used for identifying trends in ECIs.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».