Two‐step linear regression based on spectral absorption to detect cyanobacteria in fresh water
Notice bibliographique
Résumé
Abstract A simple spectral absorption method based on two‐step linear regression was used to identify and estimate the quantity of cyanobacteria (Cyanophyceae) among other phytoplankton species in mixed freshwater populations. We focused on four major algal groups, the Cyanophyceae, Chloro‐phyceae, Bacillariophyceae, and Dinophyceae, as typical representatives in the fresh waters of the kanto region of Japan, and dissolved organic carbon (DOC). In the first step, simple linear regression analysis was applied to determine the relationship between spectral absorption characteristics and concentration for each pure sample which contained only one of the four algal groups or DOC. In the second step, the resultant characteristics represented by gradient vectors were used to estimate concentrations of the four algal species and DOC in mixed samples by multiple linear regression analysis. We used the method described here to estimate the quantity of cyanobacteria among algal communities cultured in the laboratory under four different light conditions and in field samples. The method accounted for variations in the spectral characteristics of cyanobacteria owing to different light conditions, which were caused by changes in the ratio of phycocyanin to chlorophyll a . Variations in spectral characteristics of cyanobacteria under different light conditions were assessed geometrically using a vector subspace method based on principal component analysis (PCA). The vector subspace method allowed a detailed study of spectral variation of cyanobacteria recognition under different light conditions in 3‐D space.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».