Towards identifying areas at climatological risk of desertification using the Köppen–Geiger classification and FAO aridity index
Notice bibliographique
Résumé
We coupled the information obtained from the Köppen-Geiger (KG) climate classification and the FAO Aridity Index (AI) to provide an overview of the most evident global changes in climate regimes from 1951-80 to 1981-2010. Based on a set of sixteen auxiliary variables and special conditions derived from mean temperature (TM) and precipitation (RR) values, KG classifies climate into five major classes (arid, tropical, temperate, continental, polar), that are further sub-categorized for a total of thirty classes. AI is based on the ratio between the annual total RR and potential evapo-transpiration (PET) and classifies climate into eight classes, from desert to humid. To compute the indicators, we used a combination of two datasets on a 0.5˚ x 0.5˚ global grid: RR from Full Data Reanalysis (version 6.0) provided by the Global Precipitation Climatology Centre (GPCC), TM and PET provided by the Climate Research Unit of the University of East Anglia (CRUTS version 3.20). Both KG and AI agree: from 1951-80 to 1981-2010 the cold areas decreased, whilst the arid areas globally increased except of the Americas. Some hot spots at high desertification risk have been detected: North-Eastern Brazil, Southern Sahel, Zambia and Botswana, Southern Spain, North Eastern China, Central India, and Southern Argentina. We also discuss the change from continental to temperate climate in Central Europe, the shift from tundra to continental climate in Alaska, Canada and North-Eastern Russia, and the widening of the tropical belt.
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 | 0,008 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».