Estimating sampling errors for major and trace elements in geological materials using a propagation of variance approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sampling errors produced when geological materials (rocks, soils, tills, drainage sediments) are collected have been estimated empirically using variance decomposition methods or theoretically using Poisson or binomial statistics. Unfortunately, historical distribution-based approaches assume that the element of interest occurs in only one mineral. Although this may be true in some cases, most major oxide and many trace elements reside in more than one mineral in most geological materials. As a result, historical distribution-based approaches do not estimate sampling errors correctly. An alternative theoretical approach to sampling error estimation is proposed that employs both Poisson and hypergeometric statistics, depending on whether the elements of interest reside in rare or common grains. It is intended for use in advance of sampling to ensure that samples in a survey will be colleted in sufficient size to achieve a desired level of sampling precision. This method requires estimates of the proportions, sizes and compositions of the minerals making up the geological material, and thus is based on information readily available from a few (orientation) samples of the material to be sampled. This approach accommodates cases where more than one mineral contains an element of interest. It involves first estimating the sampling error for the minerals present in the geological material. Then, the mineral sampling errors are used to make estimates of the sampling error of all elements within these minerals simultaneously using a simple propagation of variance approach. An EXCEL spreadsheet is provided that undertakes the relevant calculations, and this can be adapted to consider any suite of minerals and elements in geological materials.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle