Borealis, the Canadian Dataverse Repository
Not a member yet
23450 research outputs found
Sort by
Ultraconserved element (UCE) data for phylogenomic analysis and four-gene Sanger dataset for phylogenetic analysis of Phenasurya daeng (Salticidae, Plexippini, Plexippina)
No full textWe describe a new plexippine genus and species, Phenasurya daeng. Its placement within Plexippina is supported by ultraconserved element (UCE)-based phylogenomic analyses, supplemented with a broader four-gene analysis. The details of the specimens used in phylogenomic and phylogenetic analyses can be found in the published paper
Influence of Aspen Serpentine Leafminer (Phyllocnistis populiella) on Burn Severity In Trembling Aspen (Populus tremuloides)
No full textTrembling aspen (Populus tremuloides) is a fire-resilient tree species, making its role increasingly important as wildfire seasons intensify in British Columbia, Canada. However, forest pests like the aspen serpentine leafminer (Phyllocnistis populiella) raise concerns about their potential to alter fire behavior by affecting forest structure and fuel conditions. This study evaluates whether leafminer outbreaks influence burn severity in aspen-dominated stands of northeastern British Columbia. Using provincial and federal datasets from 2010 to 2020, fire-affected aspen stands were analyzed at a 200 m resolution, comparing areas with and without prior leafminer outbreaks. A random forest model assessed the effect of leafminer presence on burn severity, measured by the differenced Normalized Burn Ratio (dNBR), while controlling for 11 climate, topography, and vegetation variables. Among 10,326 aspen-dominated burn pixels, 21% showed leafminer presence. The model achieved an R² of 0.84, with surrounding mean dNBR exerting the greatest influence on model performance, while leafminer presence had the least effect. Burn severity was slightly lower in leafminer-affected areas, with a mean dNBR decrease of 0.03. Additionally, higher trembling aspen percentage and climate conditions favorable to aspen growth were strongly associated with reduced burn severity. These findings suggest that while the leafminer’s impact on burn severity is minimal, finer-scale analyses or investigations of outbreak severity may reveal more nuanced effects on aspen fire resilience
Postal Code Federal Riding File [Canada], March 2009, Census of Canada 2006
No full textThe Postal Codes by Federal Ridings File (PCFRF) is a digital file which provides a link between the six- character postal code and Canada’s federal electoral districts (which are also known as federal ridings).
Elections Canada defines a federal electoral district (FED) as any place or territorial area entitled to return a Member of Parliament (MP) to serve in the House of Commons. Federal electoral district legal limits and descriptions are the responsibility of the Chief Electoral Officer, and are usually revised every ten years after the results of the decennial census. There are 308 FEDs in the 2003 Representation Order, the most recent revision of the federal electoral districts limits.
Some postal codes straddle one or more FED boundaries. The ‘unique link’ variable indicates if the postal code is linked to one or more FEDs. Users often link the postal code in their data set to the FED in the PCFRF. When performing this link, users should be aware that the postal code in their data set may represent a mailing address used by a person, not necessarily where the person actually resides. Similarly, a postal code in a business-based mailing address may not necessarily indicate where the business activity took place.
The reference date for postal codes contained in the PCFRF is the same date as the postal codes contained in the Postal Code Conversion File (PCCF) product released concurrently with this version of the PCFRF</p
Recensement de la population, 2016 [Canada]: Tableaux de données, Familles, ménages et état matrimonial [B2020 & CSV]
No full text98-400-X2016024
Structure de la famille de recensement incluant la situation de famille recomposée (9) et nombre et combinaisons d'âges des enfants (29) pour les familles de recensement avec enfants dans les ménages privés du Canada, provinces et territoires, régions métropolitaines de recensement et agglomérations de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016025
Structure de la famille de recensement incluant la situation de famille recomposée (9) et nombre et combinaisons d'âges des enfants (29) pour les familles de recensement avec enfants dans les ménages privés du Canada, provinces et territoires, divisions de recensement et subdivisions de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016026
Structure de la famille de recensement incluant la situation de famille recomposée (9) et nombre et combinaisons d'âges des enfants (29) pour les familles de recensement avec enfants dans les ménages privés des régions métropolitaines de recensement, agglomérations de recensement subdivisées en secteurs de recensement et secteurs de recensement, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016027
État matrimonial et situation sexe opposé/même sexe (9), âge (16) et sexe (3) pour la population âgée de 15 ans et plus dans les ménages privés du Canada, provinces et territoires, régions métropolitaines de recensement et agglomérations de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016028
Caractéristiques de la famille des adultes (11), âge (16) et sexe (3) pour la population âgée de 15 ans et plus dans les ménages privés du Canada, provinces et territoires, régions métropolitaines de recensement et agglomérations de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016029
Caractéristiques de la famille des adultes (11), âge (16) et sexe (3) pour la population âgée de 15 ans et plus dans les ménages privés du Canada, provinces et territoires, divisions de recensement et subdivisions de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016030
Caractéristiques de la famille des adultes (11), âge (16) et sexe (3) pour la population âgée de 15 ans et plus dans les ménages privés des régions métropolitaines de recensement, agglomérations de recensement subdivisées en secteurs de recensement et secteurs de recensement, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016031
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada, provinces et territoires et régions métropolitaines de recensement, recensements de 1996 à 2016 - Données intégrales (100 %)
98-400-X2016032
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada, provinces et territoires, régions métropolitaines de recensement et agglomérations de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016033
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada, régions métropolitaines de recensement, agglomérations de recensement et subdivisions de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016034
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada, provinces et territoires, divisions de recensement, subdivisions de recensement et aires de diffusion, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016035
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada, provinces et territoires, divisions de recensement et subdivisions de recensement, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016036
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus des régions métropolitaines de recensement, agglomérations de recensement subdivisées en secteurs de recensement et secteurs de recensement, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016037
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada, provinces et territoires et circonscriptions électorales fédérales (Ordonnance de représentation de 2013), Recensement de 2016 - Données intégrales (100 %)
98-400-X2016038
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada, provinces et territoires et régions économiques, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016039
État matrimonial (13), âge (16) et sexe (3) pour la population âgée de 15 ans et plus du Canada et régions de tri d'acheminement, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016040
Caractéristiques de la famille des enfants (17), âge (4B) et sexe (3) pour la population âgée de 0 à 14 ans dans les ménages privés du Canada, provinces et territoires, régions métropolitaines de recensement et agglomérations de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016041
Caractéristiques de la famille des enfants (17), âge (4B) et sexe (3) pour la population âgée de 0 à 14 ans dans les ménages privés du Canada, provinces et territoires, divisions de recensement et subdivisions de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
98-400-X2016068
Langue maternelle (10), langue parlée le plus souvent à la maison (10), autre(s) langue(s) parlée(s) régulièrement à la maison (11), âge (13), sexe (3) et état matrimonial (9) pour la population à l'exclusion des résidents d'un établissement institutionnel du Canada, provinces et territoires, régions métropolitaines de recensement et agglomérations de recensement, Recensement de 2016 - Données intégrales (100 %)
98-400-X2016387
Structure de la famille de recensement (7) et présence et âge des enfants (15) pour les familles de recensement dans les ménages privés du Canada, provinces et territoires, régions métropolitaines de recensement et agglomérations de recensement, recensements de 2016 et 2011 - Données intégrales (100 %)
<br
Replication Data for: Canadian Women's Vibrator Use: Prevalence and Characteristics
No full textReplication datase
Tracking Pre-and Post-Industrialization Changes in the Bay of Sept-Îles, Canada, Using Foraminifera as Bioindicators
No full textThis dataset presents sedimentological, geochemical, and foraminiferal data from a gravity core (Core ID: AMDOSL20-03GC-AB) collected in 2020 from the Bay of Sept-Îles, Québec, Canada. It includes mineralogy (XRD), geochemistry (XRF), granulometry, foraminiferal assemblages, and loss-on-ignition (LOI) data. The dataset supports the analysis of pre- and post-industrial environmental changes over the past ~200 years and is used in the article “Tracking Pre- and Post-Industrialization Changes in the Bay of Sept-Îles, Canada, Using Foraminifera as Bioindicators.
Replication Data for: Short Pants, Public Interest: The Appeal of Political Staff Positions to Young People in Canada
No full textReplication data for Short Pants, Public Interest: The Appeal of Political Staff Positions to Young People in Canada in Canadian Public Administratio
Claude Opus 4
No full textContains testbench data for Claude Opus 4, 102 prompts and 5 trials per prompt
Scénario 69_3
No full textLors de la simulation virtuelle suivante, vous interagirez avec des personnages et dans une situation basée sur des situations cliniques réelles. La simulation virtuelle favorise un environnement d'engagement actif dans un espace sécuritaire. En tant que créateurs de la simulation virtuelle, nous avons fait le maximum pour rendre la simulation aussi réelle que possible. Nous reconnaissons que certains aspects ne sont pas réalistes. En tant qu'apprenants, nous vous demandons de vous engager dans la simulation et de considérer les membres de l'équipe soignante ainsi que le patient et sa famille, comme étant réels. Votre engagement dans l’expérience de simulation virtuelle permettra d’optimiser vos apprentissages
Plus proches voisins | K-nearest neighbours
No full textK-nearest neighbours (KNN) is a machine learning algorithm that is good a classifying moderately-sized datasets. It does so by looking at the n-dimensional space, where n is the number of features, and looking at nearby points to the data point you want to classify. It is a fairly simple technique but it can be very effective for data with low noise levels where the data points are nicely grouped together. Creating the model is almost instantaneously however classifying depends on the size of the training data.
The notebook in this tutorial will show you how to apply this technique to classifying penguins, diabetes patients, and books to display its strength and weaknesses