MétaCan
Menu
Retour à la cohorte
Enregistrement W2896324462 · doi:10.3390/data3040042

Tamarisk and Russian Olive Occurrence and Absence Dataset Collected in Select Tributaries of the Colorado River for 2017

2018· article· en· W2896324462 sur OpenAlexfundno aff
Anthony G. Vorster, Brian Woodward, Amanda M. West, Nicholas E. Young, Robert Sturtevant, Timothy Mayer, Rebecca Girma, Paul Evangelista

Notice bibliographique

RevueData · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensnon disponible
Organismes subventionnairesU.S. Geological SurveyWalton Family FoundationMcMaster University
Mots-clésRiparian zoneTributaryTamarixGeographyRange (aeronautics)Land coverVegetation (pathology)Drainage basinInvasive speciesStructural basinHabitatSpecies distributionEcologyForestryHydrology (agriculture)Land useCartographyBiologyGeology

Résumé

récupéré en direct d'OpenAlex

Non-native and invasive tamarisk (Tamarix spp.) and Russian olive (Elaeagnus angustifolia) are common in riparian areas of the Colorado River Basin and are regarded as problematic by many land and water managers. Widespread location data showing current distribution of these species, especially data suitable for remote sensing analyses, are lacking. This dataset contains 3476 species occurrence and absence point records for tamarisk and Russian olive along rivers within the Colorado River Basin in Arizona, California, Colorado, Nevada, New Mexico, and Utah. Data were collected in the field in the summer of 2017 with high-resolution imagery loaded on computer tablets. This dataset includes status (live, dead, defoliated, etc.) of observed tamarisk to capture variability in tamarisk health across the basin, in part attributable to the tamarisk beetle (Diorhabda spp.). For absence points, vegetation or land cover were recorded. These data have a range of applications including serving as a baseline for the current distribution of these species, species distribution modeling, species detection with remote sensing, and invasive species management.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,271
Score d'incertitude au seuil0,538

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,264
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDataMême sujetFire effects on ecosystemsTravaux en français237 207