Données spatiales à l’appui de la planification spatiale marine dans la région du Pacifique
Bibliographic record
Abstract
La planification spatiale marine (PSM) est un processus de gestion durable des espaces océaniques visant à atteindre des objectifs écologiques, économiques, culturels et sociaux. Les gouvernements fédéral, provinciaux et autochtones collaborent avec des parties prenantes pour faire progresser la PSM dans cinq zones de planification à travers le Canada. Dans la région du Pacifique, ces travaux se concentrent sur la plateau Nord, détroit de Georgia, et du plateau Sud. Le personnel scientifique du MPO a travaillé avec des dépositaires de données et des chercheurs pour dresser un inventaire des données écologiques, créer des produits de données spatiales et soutenir la publication de données spatiales très pertinents pour la PSM. Dans la création et la publication des données, on a donné la priorité aux ensembles de données écologiques qui ont contribué à combler des lacunes de longue date concernant une variété d’espèces, d’habitats et de paramètres environnementaux, aux données complètes pour la côte du Pacifique et aux produits de données actuels et à long terme. Les ensembles de données spatiales en ayant résulté ont été publiés sur la plateforme Données ouvertes du gouvernement du Canada. Ce rapport technique contient un résumé des ensembles de données spatiales développés ou publiés avec le soutien du personnel de la PSM. Le rapport est organisé en fonction des caractéristiques écologiques, des ensembles de données océanographiques et des activités humaines, y compris l’empreinte des relevés de recherche. Chaque ensemble de données est accompagné de détails sur les métadonnées, y compris un aperçu de l’ensemble de données, méthodes, des sources de données, ainsi que des cartes de chaque couche de données associée.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.009 | 0.018 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".