Determinación de cambios en la variabilidad climática bajo diferentes escenarios de cambio climático. Caso de estudio: Ensenada de Alberni Robertson, Isla de Vancouver
Bibliographic record
Abstract
Se usaron las simulaciones del Reporte Especial sobre Escenarios de Emisiones A2 y A1B del modelo acoplado de circulación global canadiense versión 3.1, y redes neuronales artificiales (RNA) para bajar de escala estadísticamente los valores diarios de temperatura máxima y de temperatura mínima al nivel de la estación meteorológica Alberni Robertson Creek, ubicada en la isla de Vancouver en Canadá. Las series de datos generadas para la estación fueron analizadas, y su medias y varianzas calculadas; adicionalmente se realizaron comparaciones entre los valores para cada escenario en el período base (1961-2000) y las simulaciones del siglo XXI. Los resultados muestran un aumento en los valores de temperatura máxima media y temperatura mínima media, entre 1.16 y 1.47 grados Celsius, en la zona para el siglo XXI. Los modelos desarrollados simularon correctamente los ciclos interanuales de la temperatura, así como la temperatura media de la serie. Sin embargo, la varianza de la serie original es más grande que la del modelo para el período de registro. El método empleado mostró ser flexible y de fácil implementación, con bajos requerimientos computacionales. Dadas estas características, se recomienda su utilización en otras regiones que cuenten con registros confiables de variables macro climáticas.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".