MétaCan
Menu
Retour à la cohorte
Enregistrement W2142157592 · doi:10.1139/a10-021

State-of-the-art and recent progress in phytoplankton succession modelling

2010· article· en· W2142157592 sur OpenAlexvenueno aff
Anna Rigosi, William E. Fleenor, Francisco J. Rueda

Notice bibliographique

RevueEnvironmental Reviews · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrological Forecasting Using AI
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhytoplanktonEcological successionBiomass (ecology)StatisticEnvironmental scienceGoodness of fitEcologyComputer scienceStatisticsMathematicsMachine learningBiologyNutrient

Résumé

récupéré en direct d'OpenAlex

Dynamic phytoplankton succession models are an essential instrument to improve scientific knowledge on the development of algal blooms characterized by a specific composition and to support water quality management decisions. The peculiar structure and formulation of these models generate questions that differ from the ones found in modelling eutrophication and are related to simulation of multiple phytoplankton groups. In this work, a classification of phytoplankton models simulating several algal groups is provided. Coupled succession models, explicitly describing nonlinear interactions between physical and biological processes and capturing the response of phytoplankton community to environmental changes, are analyzed in detail. Approaches, actual achievements, and developments of succession models are examined. In particular, we discuss the level of discrimination adopted, number and type of algal groups simulated, biomass unit employed, type of model evaluation used, and efficacy of prediction achieved. Simulations of multiple phytoplankton group behaviour still produce significant deviations over time or in magnitude compared to the patterns observed. Frequently, goodness-of-fit estimation is only graphical and statistics adopted do not allow a direct comparison between different models. To facilitate comparisons we propose the use of a common statistic that would be applied, separately, to all the phytoplankton groups differentiated in each model. Each model’s level of complexity in relation to prediction ability is also analyzed. Through this work we aspire to orient upcoming works and encourage others to apply mechanistic succession models, including the description of physical and biological relationships, specific phytoplankton behaviour and interactions between phytoplankton groups.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,001
Communication savante0,0030,004
Science ouverte0,0030,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,248
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental ReviewsMême sujetHydrological Forecasting Using AITravaux en français237 207