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 ( R 2 = .77) presented moderate improvements in precision over the multiple linear regression (MLR) model ( R 2 = .68). For log e (MAP), the averaging of the support vector machine (SVM) and boosting models improved the R 2 from .19 to .63 compared with that of the MLR model. For MAP, the R 2 of this model combination was 0.49, which was much better than that of the artificial neural network (ANN) model ( R 2 = .21). Even the bagging model, which had the lowest R 2 (.37) for log e (MAP), demonstrated better precision ( R 2 = .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 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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».