The power of hourly weather data: Observed air temperature climate trends for pragmatic decision-making
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
Analysis of hourly air temperature data from recent decades reveals trends and the degree of variability in the length of time above and below key temperature thresholds associated with the freezing point, heat stress, and energy usage. We examine hourly weather station data obtained from NOAA’s Integrated Surface Database for 340 stations in the contiguous US and southern Canada from 1978 to 2023. For each station, we compute decadal trends in hours below the freezing point (0 °C, 32 °F), hours above the threshold for heat stress in animals and plants (30 °C, 86 °F), and energy usage in terms of heating and cooling degree hours (weighted deviations from 18 °C, 65 °F). Many locations in southern Canada and the north central and western US lack clear decadal trends in hours below 0 °C and have high variability in below freezing temperatures year to year. In contrast, most locations east of the Mississippi River and north of 37 °N have lost the equivalent of ∼1.5 to 2 weeks per year of temperatures below freezing compared to the early 1980s. The same northeast region shows mostly insignificant trends in hours above 30 °C. The largest gains in the number of hours above 30 °C are concentrated in the southwestern US and parts of Texas. For most locations in the northern portions of the US, the rate at which heating degree hours are lost outpaces the rate at which cooling degree hours are gained. Trends in threshold exceedance are more easily related to lived experiences than incremental changes to seasonal or annual averages. Our examination of hourly data complements assessments of historical temperature changes based on daily minimum, maximum, and average temperatures. Information on regional exceedance trends and their magnitudes can aid local climate adaption planning.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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