Predicting dissolved organic carbon concentration in a dynamic salt marsh creek via machine learning
Notice bibliographique
Résumé
Abstract Dissolved organic carbon (DOC) is a master variable in aquatic systems. Resolving DOC dynamics requires high‐temporal resolution data. However, DOC concentration cannot be directly measured in situ, and discrete sample collection and analysis becomes expensive as temporal resolution increases. To surmount this problem, an option is to predict site‐specific DOC concentration with linear modeling and optical data predictors collected from high‐cost, high‐maintenance in situ spectrophotometers. This study sought to improve upon the accuracy and field costs of linear predictive DOC methods by using machine learning modeling coupled to low‐to‐zero cost predictors. To do this, we collected 16 months of in situ data (e.g., spectrophotometer attenuation, salinity, temperature), assembled freely available predictors (e.g., point in year, rainfall), and collected samples for DOC analysis, all in a salt marsh creek. At seasonal timescales, machine learning (coefficient of determination [ R 2 ] = 0.90) modestly improved upon the accuracy of linear methods ( R 2 = 0.80) but offered substantial instrumentation cost reductions (~ 90%) by requiring only cost‐free predictors (online data) or cost‐free predictors paired with low‐cost in situ predictors (temperature, salinity, depth). At intertidal timescales, linear methods proved ill‐equipped to predict DOC concentration compared to machine learning, and again, machine learning offered a substantial instrumentation cost reduction (~ 90%). Although our models were developed for and applicable to a single site, the use of machine learning with low‐to‐zero cost predictors provides a blueprint for others trying to model DOC dynamics and other analytes in any complex aquatic system.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».