Detection of temporal trends in transparency across North America using volunteer-collected "snapshot" data
Notice bibliographique
Résumé
The Great North American Secchi Dip-In has continuously collected transparency data in North America since 1994. Volunteers collect the data during two weeks spanning Canada Day (July 1) and July 4th. More than 31,000 transparency records have been collected on 6,200 waterbodies. The Dip-In works through existing volunteer monitoring programs, which provides assurance that the data comes from trained volunteers. Transparency values obtained during this “snapshot” event are found to have a low year-to-year within-lake variability (5-6% RSD) and even lower if the data were detrended (3-4% RSD). Using data from waterbodies with five years or more of data, we used a Kendall’s Tau-b to detect temporal trends. Only 54 of 1,362 waterbodies were found to have significant (P = 0.5) decreases in transparency, while 61 had significant increases in transparency. An Ohio volunteer database was used to detect weekly variability throughout the season. The highest weekly variability occurred during the early spring. The second peak (3-4% RSD) occurred in late June, decreasing thereafter into the fall. Year-to-year transparency trends varied throughout the season in slope and significance throughout the season, suggesting that “snapshot” monitoring can provide an estimate of change for a specific seasonal period. The comparability of trends obtained by “snapshot” monitoring and whole-season monitoring will be discussed.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».