Data integration across borders: a case study of the Abbotsford‐Sumas aquifer (British Columbia/Washington State)<sup>1</sup>
Notice bibliographique
Résumé
Abstract: Integrating spatial datasets from diverse sources is essential for cross‐border environmental investigations and decision‐making. This is a little investigated topic that has profound implications for the availability and reliability of spatial data. At present, ground‐water hydrostratigraphic models exist for both the Canadian or for the United States (U.S.) portion of the aquifer but few are integrated across the border. In this paper, we describe the challenges of integrating multiple source, large datasets for development of a ground‐water hydrostratigraphic model for the Abbotsford‐Sumas Aquifer. Growing concerns in Canada regarding excessive withdrawal south of the border and in the U.S. regarding nitrate contamination originating north of the border make this particular aquifer one of international interest. While much emphasis in GIScience is on theoretical solutions to data integration, such as current ontology research, this study addresses pragmatic ways of integrating data across borders. Numerous interoperability challenges including the availability of data, metadata, data formats and quality, database structure, semantics, policies, and cooperation are identified as inhibitors of data integration for cross‐border studies. The final section of the paper outlines two possible solutions for standardizing classification schemes for ground‐water models – once data heterogeneity has been addressed.
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».