A surrogate regression approach for computing continuous loads for the tributary nutrient and sediment monitoring program on the Great Lakes
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
Water quality (WQ) in many Great Lake tributaries has been degraded (increased nutrient and sediment concentrations) due to changes in their watersheds, resulting in downstream eutrophication. As part of the Great Lakes Water Quality Agreement, specific goals were established for loading of specific constituents (e.g., phosphorus). In 2010, the Great Lakes Restoration Initiative was launched to identify problem areas, accelerate restoration efforts, and track their progress. In 2011, the U.S. Geological Survey established a monitoring program on 30 tributaries to the lakes, representing ~ 46% of the U.S. draining area and the spectrum of land uses. Discrete measurements of nutrients and suspended sediment, and continuous measurements of flow and WQ surrogates (turbidity, temperature, specific conductance, pH, and dissolved oxygen) are being collected in these tributaries to document their WQ and estimate continuous (5-min) loading. To estimate loadings, two regression models were developed for each constituent for each site: one using continuous flow and a seasonality factor; and one using flow, seasonality, and continuous surrogates. Variables included in the final models for each constituent were chosen from the explanatory variables that worked "best" for all sites. In computing loads, when continuous surrogate data were unavailable for short periods, loads were computed using the flow and seasonality models. Prediction intervals for all loads were calculated using results from both models. These results provide a better understanding of short-term variability and long-term changes in loading affecting the environmental health of the Great Lakes than traditional regression techniques that employ only flow and seasonality parameters.
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 | 0,005 | 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 | 0,002 | 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 découle