Learning phytoplankton bloom patterns - A long and rocky road from data to equations 
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
Non-linear, dynamic patterns are the rule rather than the exception in ecosystems. Predicting such patterns would allow an improved understanding of energy and nutrient flows in such systems. The Scientific Machine Learning approach Universal Differential Equation (UDE) by Rackauckas et al. (2020) tries to extract the underlying dynamical relations of state variables directly from their time series in combination with some knowledge on the dynamics of the system. This approach makes this kind of tool a promising approach to support classical modeling when precise knowledge of dynamical relationships is lacking, but measurement data of the phenomenon to be modeled is available.We applied the UDE approach to a 22-year data set of the southern Baltic Sea coast, which constituted six different phytoplankton bloom types. The data set contained the state variables chlorophyll and different dissolved and total nutrients. We learned the chlorophyll:nutrient interactions from the data with additional forcing of external temperature, salinity and light attenuation dynamics as drivers. We used a neural network as a universal function approximator that provided time series of the state variables and their derivatives.Finally, we recovered algebraic relationships between the variables chlorophyll, dissolved and total nutrients and the external drivers temperature, salinity and light attenuation using Sparse Identification of nonlinear Dynamics (SinDy) by Brunton et al. (2016).The gained algebraic relationships differed in their importance of the different state variables and drivers for the six phytoplankton bloom types in accordance with general mechanisms reported in literature for the southern Baltic Sea coast. Our approach may be a viable option to guide ecosystem management decisions based on those algebraic relationships.Rackauckas et al. (2020), arXiv preprint arXiv:2001.04385.Brunton et al. (2016), PNAS 113.15: 3932-3937.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,014 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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