Analyse de l’évolution spatiotemporelle de la tendance des extrêmes chauds au Sénégal
Bibliographic record
Abstract
La variabilité climatique se manifeste entre autres, à travers des phénomènes climatiques tels que les sécheresses, les canicules, les inondations, les retards pluviométriques et les vagues de chaleur. Ces dernières sont prévues longues, plus fréquentes et plus intenses sur le continent africain et au Sahel en particulier. Dans ce contexte, il apparait important de mener des études sur ces phénomènes, notamment aux échelles nationales, pour mieux appréhender les potentiels impacts sur les populations. Ainsi, la présente recherche analyse les évolutions spatiotemporelles et la tendance des extrêmes chauds (95e percentiles des Tmax et des Tmin) au Sénégal sur la période 1984-2020. Pour atteindre cet objectif, il s’agit d’abord de faire la répartition spatiotemporelle des moyennes des extrêmes chauds (95e percentile des Tmax et des Tmin) de la période, ensuite de déterminer les anomalies du percentile 95e des Tmin et des Tmax à l’aide du test de Lamb. Par la suite, les années de rupture ont été identifiées à l’aide du test de Pettitt et enfin, le test de Mann Kendall a permis de ressortir les tendances du percentile 95e des Tmin et des Tmax de la période 1984-2020. Les données sont des réanalyses climatiques spatialisées et maillées d’une résolution spatiale de 0,5° * 0,625° qui ont conduit aux résultats obtenus qui montrent une augmentation des 95e percentile des Tmax et des Tmin sur l’ensemble des stations de l’étude. Cette hausse est estimée à l’échelle nationale à +0,38°C pour les 95e percentiles des Tmax et à +0,50°C pour les Tmin. Ce qui témoigne d’une croissance plus rapide des 95e des Tmin que des Tmax qui s’accompagnent d’une tendance significative sur la quasi-totalité des 40 stations de cette étude. En termes de prospective à ce travail, il serait important d’analyser les caractéristiques des vagues de chaleur au Sénégal.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".