Étude comparative de méthodes d'homogénéisation des précipitations.
Bibliographic record
Abstract
Ce rapport présente une étude comparative de quelques techniques d’homogénéisation des données climatiques. L’objectif était d’identifier les techniques qui semblent les plus prometteuses pour les données de précipitations observées dans la province de Québec, Canada. La performance de quelques techniques a été évaluée par simulation sur des milliers de séries synthétiques générées selon les caractéristiques statistiques des précipitations typiques observées au centre et au sud de la province de Québec et aux alentours, Canada. Plusieurs ensembles de séries synthétiques ont été générés: homogènes, avec un ou plusieurs sauts de moyenne, avec une tendance et avec un saut d’écart-type. Les techniques sélectionnées n’ont pas été efficaces sur tous les ensembles à la fois. Par \ncontre, quelques-unes d’entre elles ont bien performés en général: la méthode Bayésienne multisauts, la méthode d’Alexandersson, la méthode de Jaruskova, l’approche bivariée et le test de Wilcoxon séquentiel. Finalement, des recommandations ont été formulées pour utiliser ces \ntechniques de manière pratique et efficace avec les données de précipitations totales annuelles \nobservées dans le sud et le centre de la province de Québec et aux environs, Canada.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".