Opportunities for combining data of Estonian and Russian monitoring to reflect on water quality in large transboundary Lake Peipsi
Notice bibliographique
Résumé
Lake Peipsi, one of the world's largest lakes, is shared between Estonia and Russia. The water quality in different parts of the lake has so far been assessed independently. Here we explore opportunities for combining data of Estonian and Russian monitoring. For that, we 1) analysed the compatibility of data for some water quality variables; 2) estimated the potential effects of the differences in sampling frequency; 3) provided a few regression models to calculate the missing data for months not sampled by the Russian side. Data of the concurrent Estonian and Russian sampling indicated a good compatibility. Estonian data analysis suggested that water quality assessment results are sensitive to sampling frequency. For example, total phosphorus (TP) in the largest basin showed a long-term decreasing trend in three month data that disappeared when data for other months were added. Disregarding some months may lead to under- or overestimation of certain factors with no consistency in the response of different basins. Hence, data of the whole ice-free period are recommended for an adequate water quality assessment. Furthermore, we demonstrated that monthly values of the water quality variables of the same year are autocorrelated. Based on this, we filled the gaps in the long-term data and compiled a dataset for the whole lake that enables its most comprehensive use in water quality assessment and management. Long-term data revealed no water quality improvement of Lake Peipsi. Further reduction of the external nutrient load is needed. Eutrophication is sustained by high internal phosphorus load.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 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 ».