Türkiye'deki yüzey neminin zamansal ve mekânsal değişimi
Notice bibliographique
Résumé
Bölgelerin, iklimlerini oluşturan iklim elemanlarından biri olan yüzey nemi küreseliklim değişikliğinin bir sonucu olarak zamansal ve mekânsal değişime uğramaktadır. Buçalışmada, Türkiye’deki yüzey nemi değerlerinin uzun vadeli bölgesel trendleriçıkarılmış olup, bu trendlerin anlamlılıkları istatistiksel olarak analiz edilmiştir.Çalışmada öncelikle yüzey nemindeki değişimin iklim değişikliğindeki önemi ve diğeriklim elemanları ile ilişkileri anlatılmıştır. Dünya genelinde yüzey neminin zamansaltrendleri, nem ile ilgili yapılan bilimsel çalışmalar aracılığıyla sunulmuştur. Türkiye’ninyüzey nem trendleri de 92 istasyonun son 30 yıldaki (1989-2018 arası) günlük bağılnem ve hesaplanan özgül nem değerleri kullanılarak her bölge için mevsimsel olarakincelenmiştir. İstasyonlardaki bağıl nem değerleri genellikle tüm mevsimlerde azalmaeğilimi göstermektedir. Azalma trendinin en düşük olduğu bölgeler Karadeniz veMarmara Bölgeleri olup; en fazla olduğu bölgeler ise Akdeniz, Güneydoğu Anadolu veİç Anadolu Bölgeleridir. En büyük düşüş yaz mevsimi boyunca on yılda %4.41 ileGüneydoğu Anadolu Bölgesi’nde görülmüştür. İstasyonlardaki özgül nem değerlerininise özellikle kış mevsiminde artış eğiliminde olduğu görülmektedir. Marmara, Ege veKaradeniz Bölgelerinde tüm mevsimlerde özgül nem değerleri artış eğilimdedir. Özgülnemdeki değişimler periyot boyunca tüm bölgelerde bağıl nemdeki kadar keskindeğildir.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».