A data-driven approach to understanding esker morphogenesis
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
Eskers are ubiquitous features on previously glaciated landscapes, recording the configuration and dynamics of the channelized meltwater system. Studies of esker composition and form have resulted in a variety of genetic interpretations surrounding the ice, water, and sediment characteristics under which they may develop. However, issues of apparent equifinality currently limit the usefulness of eskers for reconstructing broad-scale glacial hydrology. Although some authors have attempted to asses esker morphogenesis, previous studies are limited by their small sample size and/or use of qualitative morphometric indices.This project aims to explore whether eskers have a distinct morphogenetic signature using data science techniques. Published research has been mined for empirical studies of esker composition and structure. These data were compiled into a database summarizing the genetic interpretations commonly invoked for eskers (e.g., depositional environment, meltwater flow regime) as well as the supporting evidence for such inferences (e.g., sedimentary logs). Semi-automated methods will be tested to map eskers from high resolution (1-2 metres) LiDAR digital terrain models and to extract their morphometry. A range of planform- and profile-scale morphometric indices will be employed and new indices that can more precisely quantify esker morphometry will be developed.The resulting highly-dimensional dataset can be analyzed using machine learning techniques in order to assess the relationships between sedimentologic, morphometric, and genetic variables. Preliminary results from database development and analysis will be presented and methodological concerns will be discussed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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