Application of machine learning methods for paleoclimatic reconstructions from leaf traits
Notice bibliographique
Résumé
Abstract Digital leaf physiognomy (DLP) is considered as one of the most promising methods for estimating past climate. However, current models built using the DLP data set still lack precision, especially for mean annual precipitation (MAP). To improve predictive power, we developed five machine learning (ML) models for mean annual temperature (MAT) and MAP respectively, and then tested the precision of these models and some of their averaging compared with that obtained from other models. The precision of all models was assessed using a repeated stratified 10‐fold cross‐validation. For MAT, three combinations of models (R2 = .77) presented moderate improvements in precision over the multiple linear regression (MLR) model (R2 = .68). For loge(MAP), the averaging of the support vector machine (SVM) and boosting models improved the R2 from .19 to .63 compared with that of the MLR model. For MAP, the R2 of this model combination was 0.49, which was much better than that of the artificial neural network (ANN) model (R2 = .21). Even the bagging model, which had the lowest R2 (.37) for loge(MAP), demonstrated better precision (R2 = .27) for MAP. Our palaeoclimate estimates for nine fossil floras were also more accurate, because they were in better agreement with independent paleoclimate evidence. Our study confirms that our ML models and their averaging can improve paleoclimatic reconstructions, providing a better understanding of the relationship between climate and leaf physiognomy.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».