Data from: Constraining biospheric carbon dioxide fluxes by combined top-down and bottom-up approaches
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
Acknowledgements. We would like to thank Martin Jung, Jakob A. Nelson, Sophia Walther, and the FLUXCOM team for their structuralsupport, feedback and discussion. The Authors would like to thank the producers of the Inversion data included in this study: Ingrid Luijkxand Wouter Peters (CTE), Frederic Chevallier and the Copernicus Atmosphere Monitoring Service (CAMS), Christian Roedenbeck (JenaCarboscope sEXTocNEET), Yosuke Niwa (NISMON-CO2), and Liang Feng and Paul Palmer (UoE). This research was funded by theEuropean Research Council (ERC) Synergy Grant ’Understanding and modeling the Earth System with Machine Learning (USMILE)’under the Horizon 2020 research and innovation programme (Grant Agreement No. 855187) This work used eddy covariance data acquired by the FLUXNET community and in particular by the following networks: AmeriFlux(U.S. Department of Energy, Biological and Environmental Research, Terrestrial Carbon Program (DE-FG02-04ER63917 and DE-FG02-04ER63911)), AfriFlux, AsiaFlux, CarboAfrica, CarboEuropeIP, CarboItaly, CarboMont, ChinaFlux, Fluxnet-Canada (supported by CFCAS,NSERC, BIOCAP, Environment Canada, and NRCan), GreenGrass, KoFlux, LBA, NECC, OzFlux, TCOS-Siberia, USCCC. We acknowl-edge the financial support to the eddy covariance data harmonization provided by CarboEuropeIP, FAO-GTOS-TCO, iLEAPS, Max PlanckInstitute for Biogeochemistry, National Science Foundation, University of Tuscia, Université Laval and Environment Canada and US Depart-ment of Energy and the database development and technical support from Berkeley Water Center, Lawrence Berkeley National Laboratory,Microsoft Research eScience, Oak Ridge National Laboratory, University of California - Berkeley, University of Virginia
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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