An ensemble machine learning bioavailable strontium isoscape for Eastern Canada
Notice bibliographique
Résumé
Bioavailable strontium isotope ratios (87Sr/86Sr) distribution across the landscape mainly follow the underlying lithology, making 87Sr/86Sr baseline maps (isoscapes) powerful tools for provenance studies. 87Sr/86Sr has already been used in Eastern Canada (EC) to track food and human remains origins, or to reconstruct animal mobility. While bioavailable 87Sr/86Sr isoscapes for EC can be extrapolated from global datasets using random forest modelling (RF), no regionally calibrated isoscape exists. Here, we produce a regionally calibrated bioavailable 87Sr/86Sr isoscape by analysing plants collected at 136 sites across EC, incorporating updated geological variables and applying a novel ensemble machine learning (EML) framework. We generated and compared isoscapes generated by the traditional RF and the EML approaches. Adding local bioavailable 87Sr/86Sr to a global dataset significantly improved the model prediction with a drastic increase of predicted 87Sr/86Sr and increased spatial uncertainty in the northern Canadian craton. EML produced similar 87Sr/86Sr predictions but with tighter spatial uncertainty distribution. Regionally calibrated RF and EML isoscapes significantly outperformed the global bioavailable RF isoscape, confirming the requirement for collecting local data in data-poor regions. This isoscape provides a baseline in EC to monitor and manage the movements and provenance of agricultural products, natural resources, endangered/harmful migratory species, and archaeological human remains and artifacts.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».