Caracterización de la velocidad y dirección de viento en la provincia de Chimborazo
Bibliographic record
Abstract
La presente investigación muestra el comportamiento de la velocidad y dirección de viento en la provincia de Chimborazo, se tomaron los datos del 2014 al 2017 de 11 estaciones meteorológicas ubicadas en lugares estratégicos de la zona de estudio. Se estructuró una base de datos de acuerdo con los requerimientos del software WorPlot para la elaboración de las rosas de viento. Se realizó un análisis estadístico descriptivo para caracterizar su comportamiento, se efectuaron contrastes de hipótesis para identificar diferencias significativas en forma mensual, anual y por estaciones. Se determinaron comportamientos similares en los datos de viento entre las estaciones Tunshi y Urbina respecto a la dirección de viento en todos los meses de cada año año; las estaciones Alao, Cumandá, Espoch, Matus, Multitud, Quimiag, San Juan y Tunshi presentan velocidades de viento que alcanzaron los 2.0 m/s, mientras que en Atillo, Tixán y Urbina de 3.0 m/s a 4.5 m/s, determinándose que las zonas con mayor disponibilidad de energía del viento se encuentra en Tixán y Urbina con velocidades que superan los 4 m/s. Finalmente con la ayuda de Google Earth se visualizó las rosas de viento en cada una de las 11 estaciones con el fin de mostrar características predominantes de las variables estudiadas.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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".