A Comparison of Two Approaches for Generating Spatial Models of Growing-Season Variables for Canada
Notice bibliographique
Résumé
Abstract This study produced annual spatial models (or grids) of 27 growing-season variables for Canada that span two centuries (1901–2100). Temporal gaps in the availability of daily climate data—the typical and preferred source for calculating growing-season variables—necessitated the use of two approaches for generating these growing-season grids. The first approach, used only for the 1950–2010 period, employed a computer script to directly calculate the suite of growing-season variables from existing daily climate grids. Since daily grids were not available for the remaining years, a second approach, which employed a machine-learning method called boosted regression trees (BRT), was used to generate statistical models that related each growing-season variable to a suite of climate and water-related predictors. These BRT models were used to generate grids of growing-season variables for each year of the study period, including the 1950–2010 period to allow comparison between the two approaches. Mean absolute errors associated with the BRT-based grids were approximately 30% higher than those associated with the daily-based grids. The two approaches were also compared by calculating trends in growing-season length over the 1950–2010 period. Significant increases in growing-season length were obtained for nearly all ecozones across Canada, and there were no significant differences in the trends obtained from the two approaches. Although the daily-based approach tended to have lower errors, the BRT approach produced comparable map products that should be valuable for periods and regions for which daily data are not available.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».