MétaCan
Menu
Retour à la cohorte
Enregistrement W4389097654 · doi:10.1002/lno.12457

A continuous classification of the 476,697 lakes of the conterminous <scp>US</scp> based on geographic archetypes

2023· article· en· W4389097654 sur OpenAlexaff
Jean‐François Lapierre, Katherine E. Webster, Ephraim M. Hanks, Tyler Wagner, Patricia A. Soranno, Ian M. McCullough, Kaitlin L. Reinl, Marcella R. Domka, Noah R. Lotting

Notice bibliographique

RevueLimnology and Oceanography · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAquatic Ecosystems and Phytoplankton Dynamics
Établissements canadiensUniversité de Montréal
Organismes subventionnairesNational Science Foundation of Sri LankaNational Institute of Food and Agriculture
Mots-clésArchetypeEcoregionEnvironmental sciencePhysical geographyEcologyGeographyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract A variety of classification approaches are used to facilitate understanding, prediction, monitoring, and the management of lakes. However, broad‐scale applicability of current approaches is limited by either the need for in situ lake data, incompatibilities among approaches, or a lack of empirical testing of approaches based on ex situ data. We developed a new geographic classification approach for 476,697 lakes ≥ 1 ha in the conterminous U.S. based on lake archetypes representing end members along gradients of multiple geographic features. We identified seven lake archetypes with distinct combinations of climate, hydrologic, geologic, topographic, and morphometric properties. Individual lakes were assigned weights for each of the seven archetypes such that groups of lakes with similar combinations of archetype weights tended to cluster spatially (although not strictly contiguous) and to have similar limnological properties (e.g., concentrations of nutrients, chlorophyll a (Chl a), and dissolved organic carbon). Further, archetype lake classification improved commonly measured limnological relationships (e.g., between nutrients and Chl a) compared to a global model; a discrete archetype classification slightly outperformed an ecoregion classification; and considering lakes as continuous mixtures of archetypes in a more complex model further improved fit. Overall, archetype classification of US lakes as continuous mixtures of geographic features improved understanding and prediction of lake responses to limnological drivers and should help researchers and managers better characterize and forecast lake states and responses to environmental change.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,134

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
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 Opus0,008
Tête enseignante GPT0,198
Écart entre enseignants0,190 · 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

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLimnology and OceanographyMême sujetAquatic Ecosystems and Phytoplankton DynamicsTravaux en français237 207