Advanced Residuals Analysis for Determining the Number of PARAFAC Components in Dissolved Organic Matter
Notice bibliographique
Résumé
Parallel factor analysis (PARAFAC) has facilitated an explosion in research connecting the fluorescence properties of dissolved organic matter (DOM) to its functions and biogeochemical cycling in natural and engineered systems. However, the validation of robust PARAFAC models using split-half analysis requires an oft unrealistically large number (hundreds to thousands) of excitation-emission matrices (EEMs), and models with too few components may not adequately describe differences between DOM. This study used self-organizing maps (SOM) and comparing changes in residuals with the effects of adding components to estimate the number of PARAFAC components in DOM from two data sets: MS (110 EEMs from nine leaf leachates and headwaters) and LR (64 EEMs from the Lena River). Clustering by SOM demonstrated that peaks clearly persisted in model residuals after validation by split-half analysis. Plotting the changes to residuals was an effective method for visualizing the removal of fluorophore-like fluorescence caused by increasing the number of PARAFAC components. Extracting additional PARAFAC components via residuals analysis increased the proportion of correctly identified size-fractionated leaf leachates from 56.0 ± 0.8 to 75.2 ± 0.9%, and from 51.7 ± 1.4 to 92.9 ± 0.0% for whole leachates. Model overfitting was assessed by considering the correlations between components, and their distributions amongst samples. Advanced residuals analysis improved the ability of PARAFAC to resolve the variation in DOM fluorescence, and presents an enhanced validation approach for assessing the number of components that can be used to supplement the potentially misleading results of split-half analysis.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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) | 0,003 | 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 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 ».