Modelling Riverine Dissolved Silica on Different Spatial and Temporal Scales using Statistical and Machine Learning Methods
Notice bibliographique
Résumé
Changes in riverine delivery of dissolved silica (DSi) from continents to the ocean have consequences for the global carbon cycle and marine ecosystem health because (i) rivers are the main source of DSi to the oceans, (ii) diatoms, photosynthetic algae, depend on DSi to build their siliceous frustules, (iii) diatoms are an important foundation of many marine food webs, and (iv) diatoms dominate marine primary productivity and carbon export to the deep ocean. However, despite its importance, the controls of river DSi export are not fully constrained and there is no satisfactory model of riverine DSi yield (DSiY). This thesis investigates river DSiY using statistical and machine learning (ML) methods at different spatial and temporal scales. First, relationships between DSiY and environmental variables were analysed in western Canada to explore the controls of river DSiY on a regional scale. Statistical analyses indicated that land cover and climate are the best predictors of river DSiY in western Canada. Second, a ML model was developed to predict global river DSiY using 30 environmental variables including temperature, precipitation, land cover, lithology, and terrain. Of eight ML algorithms tested, one-step boosted random forest was the best method to predict river DSiY and climate and land cover were the most important predictors in the model, indicating that vegetation affects river DSiY on a global scale. Third, the ML model was used to predict changes in global river DSiY for the future (2090-2099, 2190-2199, and 2290- 2299) and mid-Holocene (6000 years ago). Global mean DSiY is projected to decrease in the future, but predictions have high spatial variability. And, global mean mid-Holocene river DSiY was estimated to be 30% lower than present-day, indicating that changes in paleo-river DSiY may be underestimated. This work demonstrates that DSiY is not only affected by climate and land cover, but that changes in climate and land cover have the potential to influence DSiY on different time scales. This thesis contributes the first study to use ML to model river DSiY and uses a more exhaustive set of variables than other studies, particularly a wider range of land cover variables.
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 | 0,000 |
| 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 ».