Recherche Data Gouv
Not a member yet
4753 research outputs found
Sort by
A freely accessible, adaptable hollow-fiber setup to reproduce first-order absorption: illustration with linezolid cerebrospinal fluid pharmacokinetic data
No full textContext : In the study of the efficacy of antimicrobials, there is a need for in vitro models that enable reproduction of the clinical pharmacokinetics of said antimicrobials. Such a possibility is provided with what is known as the hollow-fiber infection model. The limitation of current hollow-fiber setups is that they do not enable simulation of pharmacokinetic profiles exhibiting an absorption phase without making the experimental setup unwieldy.
Objective : In the attached publication we endeavoured to develop an experimental setup enabling in vitro simulation of pharmacokinetic profiles exhibiting an absorption phase with minimal modification of the traditional setup. We showed the correctness of our setup by simulating human pharmacokinetics of linezolid.
In this dataset you can find linezolid concentration data used to validate our novel hollow-fiber setup to reproduce first order absorption.
Reuse : The data could be reused to validate your local implementation of our experimental setup
4DHumanPercept Dataset
No full textThis dataset was created for and used in the work "Quality assessment of 3D human animation: Subjective and objective evaluation". It contains virtual human animations acquired using a 4D acquisition system and distorted along controlled factors with corresponding perceptual similarity labels. The dataset is composed of a training and validation dataset (240 stimuli) and a test dataset (10 stimuli). The former involves 240 stimuli created from 8 acquired reference animations with different actors (1 female, 1 male), motions (walk, hop) and clothing (tight, loose), each distorted by 6 error types in 5 distortion levels each. The latter is composed of 10 stimuli resulting of applying randomly one level of distortion on 8 new acquired reference animations coming from 5 subjects (2 female, 3 male) in either tight or loose outfits, exhibiting the motions walk or hop
Indicateurs des séries par horizons temporels issus des projections hydrologiques Explore2 pour le modèle ORCHIDEE sous RCP 2.6
No full textIndicateurs des séries par horizons temporels issus des débits journaliers simulés par le modèle hydrologique ORCHIDEE pour l'ensemble des projections climatiques Explore2 sous RCP 2.6. Ces fichiers résultent de l'agrégation temporelle des simulations hydrologiques sous runs historiques (avant 2005) et des projections hydrologiques (post 2005), fichiers NetCDF disponibles au téléchargement dans la collection Explore2 - Projections hydrologiques.
Ce dépôt regroupe un tableau par indicateur et chaîne de simulation, c'est-à-dire, scénario d'émission RCP, couple GCM/RCM, correction de biais BC et modèle hydrologique HM. Ces données sont brutes et contiennent donc des chaînes de projections jugées aberrantes / horsains qu'il est possible de filtrer grâce à des métadonnées supplémentaires. Pour des raisons techniques, ces indicateurs sont regroupés par dossiers compressés selon les différentes phases du régime hydrologique.
La description des chaines de modélisation du climat et celle des modèles hydrologiques sont, respectivement, disponibles dans le rapport https://doi.org/10.57745/PUR7ML et dans les annexes du rapport https://doi.org/10.57745/S6PQXD. Retrouvez le diagnostic des modèles hydrologiques résumé à l'échelle des régions hydrologiques dans les fiches téléchargeables ici : https://doi.org/10.57745/DMFUXW.
Métadonnées supplémentaires : Récapitulatif de l'ensemble des indicateurs hydrologiques : https://doi.org/10.57745/JVNHQL Récapitulatif de l'ensemble des chaînes de simulation : https://doi.org/10.57745/R6HG5X Description de l'ensemble des points de simulation : https://doi.org/10.57745/UTKWR5 Liste des chaînes de modélisation jugées aberrantes / horsains : https://doi.org/10.57745/YZNENQ Récapitulatif des années pivots utilisées pour la TRACC : https://doi.org/10.57745/DCOQM6
Décomposition des chaînes de caractères formant le nom des fichiers parquet, séparées par des "_" : {1} Indicateur : Le nom de l’indicateur, du type de statistique calculée {2} Échantillonnage : Échantillonnage temporel sur laquelle est calculé l’indicateur → {1}_{2} Variable : Variable résultante d'un indicateur temporellement contextualisé {3} HX : Horizon futur (H[123]) → {1}_{2}_{3} Série : Série d'une variable pour un horizon temporel, défini dans le récapitulatif des indicateurs hydrologiques {4} EXP : Identifiant de l’expérience historique (post 2005) ou future (post 2005) {5} GCM : Identifiant du GCM forçeur {6} RCM : Identifiant du RCM {7} BC : Identifiant de la méthode de correction de biais statistique {8} HM : Identifiant du modèle hydrologique {9} Futur : Période futur (fut-YYYYMMDD-YYYYMMDD)
Les colonnes des fichiers parquet sont : EXP : Voir ci-dessus GCM : Voir ci-dessus RCM : Voir ci-dessus BC : Voir ci-dessus HM : Voir ci-dessus code : Code à 10 caractères du point de simulation fourni dans la description des points de simulation date : (optionnelle) Date associée à l'agrégation (plus d'information dans les métadonnées de variable) *Série* : Voir ci-dessus
Retrouvez des scripts d'aide pour utiliser ces données parquet
FBA67148 - supplementary material
No full textKey-files obtained during the analysis (see details in README.txt file
Exploration strategies influence visual-auditory sensory substitution in a passive guidance setup
No full textThis dataset contains perceptual performance and exploration strategy data from a study investigating the influence of passive guidance strategies on shape perception using a sensory substitution device (SSD). The dataset includes:
Perceptual Performance Data – Shape recognition rates and confidence levels of participants across four training sessions. Each participant’s performance is recorded per session, providing insight into perceptual improvements over time.
Example Participant Drawings – A detailed example of one participant’s shape recognition performance across the four sessions, illustrating how perceptual accuracy was quantified through drawings.
Exploration Strategies in Session 4 – Data on the strategies applied by each participant during the eight trials of the final session, where they explored shapes actively after passive training.
Electromyography (EMG) Data – Muscle activity recordings (flexor and extensor carpi radialis) during passive guidance and active exploration conditions, highlighting differences in muscle engagement between guided and self-directed movements.
</ul
Genotyping and phenotyping data for an hybid grapevine progeny that includes disease resistance genes
No full textThis dataset was used during the PhD Thesis of Elsa Chedi
In-situ soil imaging device : example of images and image sequences
No full textWe are developing an in-situ soil imaging device to monitor edaphic activity. This device captures A4 format images of the soil at high resolution (up to 4800 dpi), allowing for simultaneous observation of fauna (invertebrates from a hundredth of a μm to several cm), flora (roots), and fungi (rhizomorphs and ectomycorrhizae). The system is based on Epson Perfection V39 scanners, which have been adapted for field and laboratory conditions through waterproof sealing. These scanners are equipped with automated control modules operated by Raspberry Pi nano-computers, enabling high-frequency image acquisition. This dataset contains individual images and chronological image sequences acquired using this in-situ imaging technology across multiple study contexts.
The file nomenclature follows the following pattern: location _ date (or period) _ image resolution _ capture frequency _ biological activity
Replication data for : Rise and fall of a multicomponent droplet in a surrounding fluid: Simulation study of a bumpy path
No full textDonnées de simulations numériques permettant de reproduire les figures présentées dans l'article: Rise and fall of a multicomponent droplet in a surrounding fluid:
Simulation study of a bumpy path
Numerical simulation data needed to reproduce the figures presented in the article:
«Rise and fall of a multicomponent droplet in a surrounding fluid: Simulation study of a bumpy path
Données hydrologiques d'un torrent alpin : le Sonnant à Gières, France
No full textCe jeu de données hydrologiques présente des mesures de hauteur, débit, vitesse, conductivité et température de l'eau du Sonnant à Gières (France). Le Sonnant est un torrent alpin du massif de Belledonne, affluent de l'Isère.
Généalogie
Ce jeu de données hydrologiques a été constitué à partir de mesures effectuées par Ense3 et l'IGE depuis le 23/03/12 à la station hydrométrique "Sonnant" située au pont de Venon à Gières.
Les différentes courbes de tarage permettant de calculer le débit de la rivière ont été obtenues en collaboration avec INRAE, UR RiverLy (Lyon) en 2022. Les jaugeages ont été effectués par Grenoble-INP Ense3 et UGA PHITEM dans le cadre de leurs enseignements, et l'IGE en utilisant différentes méthodes : dilution au sel, à la rhodamine et micro-moulinet. Les relevés bathymétriques ont été réalisés par Ense3 et IGE.
Du fait de la reconstruction complète du pont de Venon, la station a été démontée le 29/04/24.
Sites expérimentaux
Isère : Rivière à la dynamique fluviale, un des principaux affluents au Rhône par sa contribution en matières solides. Questions scientifiques traitées en lien avec la quantification des flux en MES, Matière Organique, nutriments et contaminants (métaux et micro polluants organiques), l’envasement des retenues hydroélectriques...This hydrological dataset presents measurements of height, flow rate, velocity, conductivity and temperature of the water from Sonnant to Gières (France). Le Sonnant is an alpine torrent in the Belledonne massif, a tributary of the Isère river.
Genealogy
This hydrological dataset was compiled from measurements carried out by Ense3 and IGE since 23/03/12 at the hydrometric station "Sonnant" located at the Venon bridge in Gières.
The different rating curves used to calculate the river flow were obtained in collaboration with INRAE, UR RiverLy (Lyon) in 2022. The gaugings were carried out by Grenoble INP - Ense3 and UGA-PHITEM as part of its teachings and the IGE using different methods: dilution with salt, rhodamine, and small current meter. The bathymetric surveys were carried out by Ense3 and IGE.
Due to the complete reconstruction of the Venon bridge, the station was dismantled on 29/04/24
Projections hydrologiques Explore2 du débit pour le modèle J2000 sous RCP 4.5
No full textDébit journalier simulé par le modèle hydrologique J2000 pour l'ensemble des projections climatiques Explore2 sous RCP 4.5. Ces fichiers résultent de la concaténation des simulations hydrologiques sous runs historiques (avant 2005) et des projections hydrologiques (post 2005), fichiers NetCDF disponibles au téléchargement sur le portail https://www.drias-eau.fr/commande.
Ce dépôt regroupe un fichier NetCDF par couple GCM/RCM et correction de biais. Retrouvez davantage d'information sur la chaîne de modélisation du climat dans les métadonnées des fichiers NetCDF et le rapport https://doi.org/10.57745/PUR7ML .
La description des modèles hydrologiques utilisés est disponible dans les annexes du rapport https://doi.org/10.57745/S6PQXD. Retrouvez le diagnostic des modèles hydrologiques résumé à l'échelle des régions hydrologiques dans les fiches téléchargeables ici : https://doi.org/10.57745/DMFUXW.
Métadonnées supplémentaires :
Description de l'ensemble des chaînes de modélisations : https://doi.org/10.57745/R6HG5X
Description de l'ensemble des points de simulation : https://doi.org/10.57745/UTKWR5
Liste des simulations des chaînes de projections jugées aberrantes / horsains : https://doi.org/10.57745/YZNENQ
Décomposition des chaînes de caractère formant le nom des fichiers NetCDF, séparées par des "_" :
{1}: Variable : Nom de la variable (avec Adjust si les données sont corrigées)
{2}: Domain : Couverture spatiale des données
{3}: GCM-Inst-Model : Identifiant du GCM forçeur = Institut-Modèle
{4}: Experiment : Identifiant de l’expérience historique ou future via le scénario
{5}: Member : Numéro du membre de l'ensemble
{6}: RCM-Inst-Model : Identifiant du RCM = Institut-Modèle
{7}: Version : Identifiant de l’expérience historique ou future via le scénario
{8}: Bc-Inst-Method-Obs-Period : Identifiant de la méthode de correction de biais statistique =
Institut-Méthode-Réanalyse-Période
{9}: HYDRO-Inst-Model : Identifiant du HYDRO = Institut-Modèle
{10}: TimeFrequency : Pas de temps du jeu de données
{11}: Startyear-Endyear : Couverture temporelle des données sous forme YYYYMMDD-YYYYMMD