A comprehensive framework for integrating lake hypsography and function on a global scale
Notice bibliographique
Résumé
Data.zip: 1. Lake morphometry data: global lakes map data with area, predicted Zmax, Zmean, a lake morphometry dataset used to build the random forests model. 2. lake_bathymetry_and_hypsography, a list of lakes with n ERA5 data and a list of lakes >400 km2 with morphometry data. 3. resampled_Zmax_and_q: resampled Zmax and q based on the uncertainty in their prediction (Table S3) 4. Sims_subset: a data subset to carry out model simulations 5. Uberlakes_Climatic_predicted: data containing climatic region composite/uberlakes hypsography and features based on predicted Zmax and q. 6. Uberlakes_Climatic_predicted: data containing climatic region composite/uberlakes hypsography and features based on resampled Zmax and q. 7. Uberlakes_Global_predicted: data containing global composite/uberlakes hypsography and features based on predicted Zmax and q. 8. Uberlakes_Global_resampled: data containing global composite/uberlakes hypsography and features based on resampled Zmax and q. 9. Uncertainty_Stats: data containg uberlakes uncertainty statistics 10. Fig_S9_individual_lake_hypsography_predicted_relative: hypsography data for Figure S9a 11. Fig_S9_individual_lake_hypsography_resampled_relative: hypsography data data for Figure S9b 12. dynamic simulation_results: data from dynamic simulations at the regions and grid level, with table summary files, daily (dUberlake) and profile data(Uberlake). lake_hypsography_code.zip: contains the code for this study.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,052 | 0,014 |
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 ».