Technical Note: Improved partial wavelet coherency for understanding scale-specific and localized bivariate relationships in geosciences
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. Bivariate wavelet coherency is a measure of correlation between two variables in the location–scale (spatial data) or time–frequency (time series) domain. It is particularly suited to geoscience, where relationships between multiple variables differ with locations (times) and/or scales (frequencies) because of the various processes involved. However, it is well-known that bivariate relationships can be misleading when both variables are dependent on other variables. Partial wavelet coherency (PWC) has been proposed to detect scale-specific and localized bivariate relationships by excluding the effects of other variables but is limited to one excluding variable and provides no phase information. We aim to develop a new PWC method that can deal with multiple excluding variables and provide phase information. Both stationary and non-stationary artificial datasets with the response variable being the sum of five cosine waves at 256 locations are used to test the method. The new method was also applied to a free water evaporation dataset. Our results verified the advantages of the new method in capturing phase information and dealing with multiple excluding variables. Where there is one excluding variable, the new PWC implementation produces higher and more accurate PWC values than the previously published PWC implementation that mistakenly considered bivariate real coherence rather than bivariate complex coherence. We suggest the PWC method is used to untangle scale-specific and localized bivariate relationships after removing the effects of other variables in geosciences. The PWC implementations were coded with Matlab and are freely accessible (https://figshare.com/s/bc97956f43fe5734c784, last access: 14 January 2021).
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 | 0,002 | 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 | 0,001 | 0,001 |
| 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 découle