Machine learning classifiers for attributing tephra to source volcanoes: an evaluation of methods for Alaska tephras
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
ABSTRACT Glass composition‐based correlations of volcanic ash (tephra) traditionally rely on extensive manual plotting. Many previous statistical methods for testing correlations are limited by using geochemical means, masking diagnostic variability. We suggest that machine learning classifiers can expedite correlation, quickly narrowing the list of likely candidates using well‐trained models. Eruptives from Alaska's Aleutian Arc‐Alaska Peninsula and Wrangell volcanic field were used as a test environment for 11 supervised classification algorithms, trained on nearly 2000 electron probe microanalysis measurements of glass major oxides, representing 10 volcanic sources. Artificial neural networks and random forests were consistently among the top‐performing learners (accuracy and kappa > 0.96). Their combination as an average ensemble effectively improves their performance. Using this combined model on tephras from Eklutna Lake, south‐central Alaska, showed that predictions match traditional methods and can speed correlation. Although classifiers are useful tools, they should aid expert analysis, not replace it. The Eklutna Lake tephras are mostly from Redoubt Volcano. Besides tephras from known Holocene‐active sources, Holocene tephra geochemically consistent with Pleistocene Emmons Lake Volcanic Center (Dawson tephra), but from a yet unknown source, is evident. These tephras are mostly anchored by a highly resolved varved chronology and represent new important regional stratigraphic markers.
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 | 0,016 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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