A sequential Monte Carlo approach for marine ecological prediction
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
Abstract This study considers the problem of marine ecological prediction in the context of online estimation and forecasting. Process oriented dynamic ecosystem models are combined with marine observations. The nonlinear, nonGaussian state space model provides the statistical framework. The associated filtering (nowcasting) and prediction (forecasting) problems are addressed via sequential Monte Carlo methods, in this instance a sequential importance resampler combined with Metropolis‐Hastings MCMC. The specific focus is on a prototypical marine ecosystem model comprised of four interacting populations (phytoplankton, zooplankton, nutrients and detritus; PZND) whose co‐evolution is described by system of coupled nonlinear differential equations. Stochastic environmental variation is introduced through a stochastic growth parameter, as well as through dynamical noise in the state evolution equations. The dynamic behaviour of this stochastic ecosystem model is complex: it regularly transitions through a Hopf bifurcation and exhibits episodic blooms of variable magnitude and duration. The model is applied to a case with weak seasonality, that is the oceanic mixed layer in the eastern equatorial Pacific. A partially observed state is considered comprised of a five year satellite (SeaWiFS) derived time series of ocean phytoplankton concentration at 12°N 95°W. Filtering estimates for the ecosystem state and a dynamic parameter were obtained using the sequential Monte Carlo approach. These showed predictor‐corrector behaviour at observation times, including abrupt shifts in the median level after forecasts over measurement void. A corresponding variance (also skewness and kurtosis) growth and subsequent collapse was also seen. Forecasting experiments indicate some negative bias, and suggest there is predictive skill for forecasts out to 10–15 days. Copyright © 2005 John Wiley & Sons, Ltd.
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 | 0,000 | 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) | 0,002 | 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