MétaCan
Menu
Retour à la cohorte
Enregistrement W4404782122 · doi:10.5194/gmd-2024-126-rc2

Comment on gmd-2024-126

2024· peer-review· en· W4404782122 sur OpenAlexaff

Notice bibliographique

Revuenon disponible
Typepeer-review
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract. Open biomass burning has major impacts globally and regionally on atmospheric composition. Fire emissions include particulate matter, tropospheric ozone precursors, greenhouse gases, as well as persistent organic pollutants, mercury and other metals. Fire frequency, intensity, duration, and location are changing as the climate warms, and modelling these fires and their impacts is becoming more and more critical to inform climate adaptation and mitigation, as well as land management. Indeed, the air pollution from fires can reverse the progress made by emission controls on industry and transportation. At the same time, nearly all aspects of fire modelling – such as emissions, plume injection height, long-range transport, and plume chemistry – are highly uncertain. This paper outlines a multi-model, multi-pollutant, multi-regional study to improve the understanding of the uncertainties and variability in fire atmospheric science, models, and fires’ impacts, in addition to providing quantitative estimates of the air pollution and radiative impacts of biomass burning. Coordinated under the auspices of the Task Force on Hemispheric Transport of Air Pollution, the international atmospheric modelling and fire science communities are working towards the common goal of improving global fire modelling and using this multi-model experiment to provide estimates of fire pollution for impact studies. This paper outlines the research needs, opportunities, and options for the fire-focused multi-model experiments and provides guidance for these modelling experiments, outputs, and analysis that are to be pursued over the next 3 to 5 years. It proposes a plan for delivering specific products at key points over this period to meet important milestones relevant to science and policy audiences.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,158
Score d'incertitude au seuil0,528

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,002
Communication savante0,0050,003
Science ouverte0,0030,002
Intégrité de la recherche0,0320,015
Charge utile insuffisante (le modèle a refusé de juger)0,1580,132

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,366
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207