Multivariate analysis for geochemical process identification using stream sediment geochemical data: A perspective from compositional data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Identification of underlying geochemical processes based on samples of different types such as stream sediments, soils, and water is important for a range of applications including mineral exploration, land use planning, and environmental assessment of both natural and anthropogenic factors. However, almost all geochemical compositions of these samples are subject two limitations: outliers and the data closure effect. In the present study, bivariate relationships between selected major elements are examined to illustrate their spurious correlation by using centered log ratio (clr) transformation. In addition, robust factor analysis (FA) and compositional data analysis are used to prevent the effect of outliers and to reduce the influence of data closure in the identification of geochemical processes. First, a k-means algorithm is applied to partition geochemical data into three clusters to enhance the interpretation of the geochemical data. Then, robust FA is applied to log ratio-transformed geochemical data. The first five factors are extracted on the basis of the scree plot of eigenvalues. The results indicate that robust FA applied to log ratio-transformed data can be used to effectively identify geochemical processes and to determine the extent of anthropogenic and natural influences such as mineralization, weathering and diagenesis, heavy metal accumulation or contamination, or a combination of these factors. Several geochemical processes are indicated by the first five factors, explained as follows: (a) F1 reflects granitic rocks and natural or industrial contamination by Cu, Ni, Sb, As, Cd, and Cr; (b) F2 reflects W polymetallic mineralization; (c) F3 reflects Au anomalies and heavy metal contamination by Zn, Cd, Mn, and Pb; (d) F4 reflects Mo and Au anomalies; and (e) F5 reflects Ag-W-Be-La mineralization and heavy metal contamination by Hg and Sb.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| 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 découle