Application of artificial neural networks (ANN) to high‐latitude dinocyst assemblages for the reconstruction of past sea‐surface conditions in Arctic and sub‐Arctic seas
Notice bibliographique
Résumé
Abstract The artificial neural network (ANN) method was applied to dinoflagellate cyst (dinocyst) assemblages to estimate palaeoceanographical conditions. The ANN method was adapted to three distinct data bases covering the northern North Atlantic (N = 371), plus the Arctic seas (N = 540) and the Bering Sea (N = 646). The relative abundance of 23 dinocyst taxa was calibrated against hydrographic variables (sea‐surface temperature, salinity and density in February and August, and seasonal extent of sea‐ice cover) using ANNs. The estimation of hydrographical parameters based on an ANN yields high coefficients of correlation between observations and reconstructions for each variable selected. The validation tests performed on the different data bases suggest more accurate calibration at the scale of the North Atlantic and Arctic (N = 540) than on a multibasin scale, i.e. when including the subpolar North Pacific (N = 646). The ANN calibrations and the modern analogue technique (MAT) have been applied to two sequences from the northwest North Atlantic spanning the past 25 000 yr for the purpose of comparison. Both approaches yielded similar results, generally within the range of their respective uncertainties, demonstrating their suitability. The main discrepancies generally correspond to assemblages with poor modern analogues for which we have to admit a higher degree of uncertainties in the reconstruction, whatever the approach used. Copyright © 2001 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.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».