Aquifer vulnerability mapping and GIS: A proposal to monitor uncertainty associated with spatial data processing
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
El Servicio Geológico de Canadá llevo a cabo una evaluación acuífera para estimar la sustentabilidad y Ia vulnerabilidad acuífera en St. Lawrence Lowlands al suroeste de Quebec. El modelo DRASTIC y un SIG fueron usados para calcular y producir los mapas de vulnerabilidad. Paralelamente se realizó un detallado monitoreo del procesamiento de los datos para controlar la exactitud de los mapas de vulnerabilidad. Una estimación global incluyo errores identificados e incertidumbres asociadas con datos espaciales y descriptivos usados en el modelo. Los datos analizados se relacionaron con los pozos, perforaciones, mapas temáticos, y también con los procesos múltiples de los datos incluyendo a los errores e incertidumbre atribuidas a los cálculos de la conductibilidad hidráulica, las interpolaciones de los datos, las intersecciones de capas de los datos espaciales etc. Se propone un sistema de categorización usando el lenguaje UML, para categorizar datos espaciales con respecto al grado y fuente de incertidumbre. Este trabajo presenta este sistema, un ejemplo de aplicación en un área estudiada y una discusión sobre su utilidad en el control del procesamiento de datos. También muestra que Ia incertidumbre asociada con el procesamiento de datos espaciales y la integración de los datos a un sistema numérico puede ser muy significante; Ia principal ambigüedad ocurre cuando se limpian datos, se interpolan, se clasifican y se sobreponen. La caracterización de la incertidumbre en los procesos de los datos fue una valiosa fuente de información tan crucial como la misma calidad de los datos. Monitorear la incertidumbre asociada con el procesamiento de datos espaciales es casi tan importante como el modelo mismo. Sin embargo, el monitoreo de la incertidumbre puede ser complejo y subjetivo y de hecho es raramente efectuado sobre bases regulares principalmente porque requiere mucho más esfuerzo comparado con simplemente correr el modelo.doi: sin doi
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it