Ghost age components in detrital thermochronology
Notice bibliographique
Résumé
Thermochronological dating of detrital samples is an important tool for understanding the thermal history of basins and their source regions. Detrital thermochronology data are often complex with apparent ages ranging over hundreds of million years due to variations in source-rock cooling age and rate, and the influence of post-depositional burial. A common strategy to interpret such data is to split a dataset into several age components by finite-mixture modeling. Herein, we describe for the first time a remarkable pattern of age components in some thermochronological datasets: two or more components showing ages that are approximately multiples of each other. We apply finite-mixture modeling to a log-normal age distribution (a random effects model) and show that these “ ghost age components” are artifacts of inappropriately fitting discrete components to continuous age ranges. The striking pattern of the age components is a direct consequence of the underlying age distribution. For a continuous log-normal age distribution, the ghost components have approximately similar age ratios that depend on the overdispersion and the number of components. Due to their artifactual nature, ghost components appear in a range of dating methods, including fission-track, U Pb and (U Th)/He dating, and in equivalent doses of luminescence dating. As they are not geologically meaningful, their occurrence hampers the geological interpretation of thermochronological data. We thus propose to carefully decide for the number of fitted components based on grain properties and additional geological information and to screen modeling results for the constant age ratios that are characteristic of ghost components.
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 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».