Bibliographic record
Abstract
Cette thèse traite de la variabilité temporelle intrinsèque de l'éclairement solaire reçu au sol. Les échelles caractéristiques de variabilité sont mises en évidence par l'analyse de longues séries temporelles de moyennes journalières de l'éclairement, pour différents endroits du monde, issues de mesures pyranométriques au sol, d'estimations satellitaires ou de réanalyses météorologiques .Compte-tenu de la nature non linéaire et non stationnaire des données, la transformée adaptative de Hilbert-Huang est utilisée comme outil d'analyse pour tenir compte de la diversité de ces échelles temporelles. On montre ainsi la nature variable des échelles caractéristiques et de leur intensité, ainsi que leur dépendance vis-à-vis du climat.L'application d'une technique adaptative de ré-échantillonnage fractionnaire montre la juxtaposition d'une composante déterministe et d'une stochastique. Pour tous les jeux de données, le cycle annuel déterministe représente la plus grande partie de la variabilité. Toutes les séries temporelle contiennent une composante de variabilité stochastique à haute fréquence, qui est modulée en amplitude par le cycle annuel.L'approche permet également d'évaluer, échelle par échelle, les performances des estimations satellitaires ou issues de ré-analyses par comparaison avec des mesures pyranométriques au sol. Une étude de cas confirme que les estimations satellitaires surpassent les ré-analyses à toutes les échelles temporelles.
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 | 0.001 |
| Science and technology studies | 0.000 | 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".