Continuous and high-frequency measurements in limnology: history, applications, and future challenges
Notice bibliographique
Résumé
Over the past 15 years, an increasing number of studies in limnology have been using data from high-frequency measurements (HFM). This new technology offers scientists a chance to investigate lakes at time scales that were not possible earlier and in places where regular sampling would be complicated or even dangerous. This has allowed capturing the effects of episodic or extreme events, such as typhoons on lakes. In the present paper we review the various fields of limnology, such as monitoring, studying highly dynamic processes, lake metabolism studies, and budget calculations, where HFM has been applied, and which have benefitted most from the application. Our meta-analysis showed that more than half of the high-frequency studies from lakes were made in North America and Europe. The main field of application has been lake ecology (monitoring, lake metabolism) followed by physical limnology. Water temperature and dissolved oxygen have been the most universal and commonly measured parameters and we review the various study purposes for which these measurements have been used. Although a considerable challenge for the future, our review highlights that broadening the spatial scale of HFM would substantially broaden the applicability of these data across a spectrum of different fields.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,054 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,004 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,012 |
| Communication savante | 0,006 | 0,014 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».