Community Insights for scoping a NASA Terrestrial Ecology field campaign in drylands: ARID
Notice bibliographique
Résumé
Dryland ecosystems cover 40% of our planet’s land surface, support the lives of billions of people, and are responding dramatically to the combined effects of climate and land use change. These expansive and diverse systems also dominate core aspects of Earth’s climate, storing and exchanging vast amounts of water, carbon, and energy with the atmosphere. Despite the indispensable natural resources and ecosystem services provided by drylands and their high vulnerability to change, drylands are one of the most, if not the most, poorly understood ecosystem types. Such lack of study has been in part due to incorrect historical assumptions that drylands are unproductive “wastelands”. This lack of understanding results in notably poor model representation and forecasting capacity, hindering our representation and decision making for these vulnerable ecosystems. The NASA Terrestrial Ecology Program solicited proposals for a multi-year field campaign, of which Adaptation and Response in Drylands (ARID) was one of two scoping studies selected. With the goal of gathering input from the scientific and data end-user communities, we provide an overview of our ARID kick-off meeting with over 300 in-person and virtual participants held in October 2023 at the University of Arizona. This meeting gathered insights from public and private data end-users and scientists. We also report on follow-up activities that have taken place since then, including town halls, community surveys, and international engagements.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,036 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».