Development of a Midge-Based Summer Surface Water Temperature Inference Model for the Great Basin of the Western United States
Notice bibliographique
Résumé
Surface sediment recovered from 51 lakes in the Uinta Mountains of northeast Utah was analyzed for subfossil chironomid remains, and incorporated in a midge-based inference model for summer surface water temperature (SSWT). The lakes in the calibration set spanned elevation, depth, and summer surface water temperature ranges of 900 m, 12.7 m, and 11.3°C, respectively. Redundancy analysis (RDA) identified four variables, SSWT, depth, specific conductivity, and Al concentration, that could account for a statistically significant amount of variance in the chironomid distribution, with SSWT accounting for the largest amount of variance. The Uinta Mountain calibration set was merged with a previously developed calibration set from the Sierra Nevada, California, in order to develop a midge-based inference model for SSWT applicable to subfossil chironomid stratigraphies from the Great Basin. A variety of statistical approaches, such as weighted averaging (WA), weighted averaging-partial least squares (WA-PLS), and partial least squares (PLS) were used to assess model performance. The best inference model for SSWT, based on a 3-component WA-PLS approach, had robust performance statistics (r2 jack = 0.66, RMSEP = 1.4°C). The newly expanded inference model will enable more accurate estimates of late Pleistocene and Holocene thermal regimes and help address many outstanding questions relating to long-term and recent climate change in this region.
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 | 0,003 | 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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».