Predição da temperatura máxima de Lavras-MG: comparação da normal climatológica com a teoria de valores extremos
Bibliographic record
Abstract
A predição da temperatura máxima é importante para o planejamento de atividades que sejam vulneráveis à sua ocorrência. Entre essas atividades, pode-se citar a agricultura, que representa cerca de 3% da composição do PIB brasileiro e é a quarta atividade econômica mais importante na cidade de Lavras-MG. O conhecimento do comportamento dos eventos climáticos extremos, como os relacionados à temperatura máxima, é essencial para a maximização da produtividade e para a minimização dos prejuízos. Diante disso, o objetivo deste estudo foi comparar a qualidade das predições obtidas para a temperatura máxima de Lavras-MG por meio das normais climatológicas, no período de 1981 a 2010, com as predições obtidas por meio do ajuste da distribuição GEV via inferência bayesiana, considerando diferentes estruturas de distribuição a priori informativa e não informativa. Os dados de temperatura máxima de Machado-MG foram utilizados na elicitação das prioris informativas. Verificou-se que a distribuição GEV ajustada por meio da inferência bayesiana forneceu melhores predições para a temperatura máxima de Lavras-MG e, para a maioria dos meses, as prioris informativas tiveram desempenho melhor em relação às prioris não informativas. Os meses de setembro e outubro foram aqueles que apresentaram os maiores valores de temperatura máxima preditos, o que exige para esses meses maior foco em medidas de preparação, mitigação e adaptação, necessários em relação aos impactos ocasionados em culturas agrícolas susceptíveis a ocorrência de temperaturas máximas.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| 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".