MétaCan
Menu
Retour à la cohorte
Enregistrement W4388595292 · doi:10.1016/j.pocean.2023.103171

Seasonal and regional variability of model-based zooplankton biomass in the Salish Sea and evaluation against observations

2023· article· en· W4388595292 sur OpenAlexaff
Karyn D. Suchy, Elise M. Olson, Susan E. Allen, Moira Galbraith, Bethellee Herrmann, Julie E. Keister, R. Ian Perry, Akash R. Sastri, Kelly Young

Notice bibliographique

RevueProgress In Oceanography · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensUniversity of VictoriaFisheries and Oceans CanadaUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésZooplanktonBiomass (ecology)Environmental sciencePhytoplanktonOceanographyGrazingProductivityAdvectionFood webPlanktonEcologyNutrientEcosystemBiologyGeologyPhysics

Résumé

récupéré en direct d'OpenAlex

We thank the numerous partners responsible for Puget Sound sampling: King County Department of Natural Resources and Parks (Water and Land Resources Division), Kwi´aht, The Nisqually Indian Tribe, The National Oceanic and Atmospheric Administration (NOAA), the Port Gamble S’Klallam Tribe, the Tulalip Tribes, Lummi Nation, the Washington Department of Fish and Wildlife (WDFW), and the Washington Department of Ecology. We also thank the crews of the MV Salacia, CCGS John P. Tully, CCGS Vector, and CCGS Neocaligus for their help sampling the Canadian waters, as well as the support of many technical staff, in particular Mark Belton, Glenn Cooper and Steve Romaine. The SalishSeaCast model software environment was developed by Doug Latornell. David Cassis counted the Stratogem microzooplankton samples presented in Supp. Figs. S3-S6. We thank our reviewers for providing critical and thoughtful feedback on previous versions of this manuscript which significantly improved this work.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil0,173

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,305
Écart entre enseignants0,249 · 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'étudeSimulation ou modélisation
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

Citations2
Publié2023
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueProgress In OceanographyMême sujetMarine and fisheries researchTravaux en français237 207