Türkiye'deki yüzey neminin zamansal ve mekânsal değişimi
Bibliographic record
Abstract
Bölgelerin, iklimlerini oluşturan iklim elemanlarından biri olan yüzey nemi küreseliklim değişikliğinin bir sonucu olarak zamansal ve mekânsal değişime uğramaktadır. Buçalışmada, Türkiye’deki yüzey nemi değerlerinin uzun vadeli bölgesel trendleriçıkarılmış olup, bu trendlerin anlamlılıkları istatistiksel olarak analiz edilmiştir.Çalışmada öncelikle yüzey nemindeki değişimin iklim değişikliğindeki önemi ve diğeriklim elemanları ile ilişkileri anlatılmıştır. Dünya genelinde yüzey neminin zamansaltrendleri, nem ile ilgili yapılan bilimsel çalışmalar aracılığıyla sunulmuştur. Türkiye’ninyüzey nem trendleri de 92 istasyonun son 30 yıldaki (1989-2018 arası) günlük bağılnem ve hesaplanan özgül nem değerleri kullanılarak her bölge için mevsimsel olarakincelenmiştir. İstasyonlardaki bağıl nem değerleri genellikle tüm mevsimlerde azalmaeğilimi göstermektedir. Azalma trendinin en düşük olduğu bölgeler Karadeniz veMarmara Bölgeleri olup; en fazla olduğu bölgeler ise Akdeniz, Güneydoğu Anadolu veİç Anadolu Bölgeleridir. En büyük düşüş yaz mevsimi boyunca on yılda %4.41 ileGüneydoğu Anadolu Bölgesi’nde görülmüştür. İstasyonlardaki özgül nem değerlerininise özellikle kış mevsiminde artış eğiliminde olduğu görülmektedir. Marmara, Ege veKaradeniz Bölgelerinde tüm mevsimlerde özgül nem değerleri artış eğilimdedir. Özgülnemdeki değişimler periyot boyunca tüm bölgelerde bağıl nemdeki kadar keskindeğildir.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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; both teacher heads agree on what is shown here.
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".