Observed precipitation trends inferred from Canada’s homogenized monthly precipitation dataset
Notice bibliographique
Résumé
<!--!introduction!--> This study first developed a comprehensive semi-automatic data homogenization procedure to produce gap-infilled and homogenized monthly precipitation data series for 426 long-term/critical stations in Canada, which was then used to assess Canadian historical precipitation trends. Data gaps in the 426 series were infilled by advanced spatial interpolation of a much larger dataset. The homogenization procedure used repeatedly multiple homogeneity tests without and with reference series to identify changepoints/inhomogeneities, the results from which were finalized by manual analysis using metadata and visually inspection of the multiphase regression fits. As a result, 298 out of the 426 data series were found to be inhomogeneous. These series were homogenized using quantile matching adjustments. The homogenized dataset shows better spatial consistency of trends than does the raw dataset. The improved gridding and regional mean trend estimation methods also provide more realistic trend estimates. With these improvements, Canadian historical precipitation trends were found to be dominantly positive and significant, except in south-central Canada where the trends are generally insignificant and small with mixed directions. The largest increases are seen in southeastern Canada and the West Coast; however, the largest relative increases (in percent of the 1961-1990 mean) are seen in northern and southeastern Canada. The largest trend difference between northern and southern Canada is seen in winter, which is the season of the largest increase in the North but the smallest change in the South.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».