Peat depth and carbon storage of the Hudson Bay Lowlands, Canada
Notice bibliographique
Résumé
This dataset contains ground-measured peat depth and maps with the spatial distribution of peat depth, carbon stock and uncertainty in the Hudson Bay Lowlands, Ontario, Canada. The ground-measured peat depth data was collected by a Russian-type peat corer from 32 sites in 3 groups spanning from 51oN to 55oN in July and September 2022. The version 1 maps were produced in the Remote Sensing Lab, McMaster University, on March 2024. To generate the peat depth map, we used 495 peat depth records from Ontario Ministry of Natural Resources and Forestry data archive, topographic information, long-term satellite observations of land surface temperature, greenness, and polarization signatures in Synthetic-Aperture Radar (SAR) as well as machine learning models. Data was trained using multi machine learning algorithms. Based on the Root Mean Squared Error (RMSE) derived from 10-fold cross-validation, four models were selected for further prediction, including Gradient Boosting Machine (GBM), Deep Learning, Distributed Random Forest (DRF) and Extreme Gradient Boosting (XGBoost). For the final peat depth map, a second-level “meta-learner’ called stacked regression was applied to find an optimal combination of the 4 base models. Here we used generalized linear model (GLM) during the stacking process to map peat depth for the entire HBL. The uncertainty was estimated as ± one standard deviation around the mean estimates of all base models. The carbon stock map was estimated based on empirical relationship between the estimated peat depth and C stock.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».