MétaCan
Menu
Retour à la cohorte
Enregistrement W4283367256 · doi:10.1038/s41597-022-01467-3

A multi-city urban atmospheric greenhouse gas measurement data synthesis

2022· article· en· W4283367256 sur OpenAlexaff
L. Mitchell, John C. Lin, Lucy R. Hutyra, D. R. Bowling, R. C. Cohen, K. J. Davis, Elizabeth DiGangi, Riley Duren, James R. Ehleringer, Clayton Fain, Matthias M. Falk, A. Guha, A. Karion, Ralph F. Keeling, Jooil Kim, N. L. Miles, Charles E. Miller, Sally Newman, Diane E. Pataki, Steve Prinzivalli, Xinrong Ren, Andrew L. Rice, Scott J. Richardson, Maryann Sargent, Britton B. Stephens, Jocelyn Turnbull, K. R. Verhulst, Felix Vogel, Ray F. Weiss, J. R. Whetstone, Steven C. Wofsy

Notice bibliographique

RevueScientific Data · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesClimate Program OfficeU.S. Department of CommerceJet Propulsion LaboratoryNational Aeronautics and Space Administration
Mots-clésGreenhouse gasScope (computer science)Environmental scienceClimate changeBaseline (sea)Environmental resource managementMethaneEnvironmental planningBusinessNatural resource economicsEnvironmental protectionComputer sciencePolitical scienceEcology

Résumé

récupéré en direct d'OpenAlex

) that contribute to modern-day climate change. As such, a growing number of urban policymakers and stakeholders are adopting emission reduction targets and implementing policies to reach those targets. Over the past two decades research teams have established urban GHG monitoring networks to determine how much, where, and why a particular city emits GHGs, and to track changes in emissions over time. Coordination among these efforts has been limited, restricting the scope of analyses and insights. Here we present a harmonized data set synthesizing urban GHG observations from cities with monitoring networks across North America that will facilitate cross-city analyses and address scientific questions that are difficult to address in isolation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,104

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,008
Études des sciences et des technologies0,0010,000
Communication savante0,0030,001
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,241
Écart entre enseignants0,170 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific DataMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207