Testing the suitability of Marginal Distribution Sampling as a gap‐filling method using some meteorological data from seven sites in West Africa
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 Meteorological data are useful in many fields related to climate change studies and their use often requires them to be continuous. To date, marginal distribution sampling (MDS), which consists of filling a missing value with an average of the data that are found in similar meteorological conditions over a flexible time window, is widely adopted in the FLUXNET community. In this work, we evaluate the performance of MDS at diurnal and monthly scales for the incoming shortwave radiation (Swin), relative humidity (RH), vapour pressure deficit (VPD), air and soil temperatures (Tair, Tsoil) acquired across seven sites in West Africa. The criteria tested are the MDS's ability to (i) fill gaps while reducing the error rate, (ii) represent proper variability within data and finally (iii) ensure homogeneity between its output and original data. We found during the daytime that MDS is adequate for filling gaps in Swin when both reducing error rate and a good representation of variability are targeted. If the goal is to have a small error rate, then this approach is recommended for all investigated variables except VPD. During nighttime, MDS is satisfactory to minimize the error when filling gaps in Tair, Tsoil and RH while to represent their variabilities it becomes more sensitive to the rate of missing data. At a monthly scale, the gap‐filled data are consistent with the original ones for all variables attributable to data size and a wider sliding window that allows more data under similar conditions to be considered.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle