Extracting phytoplankton physiological traits from batch and chemostat culture data
Notice bibliographique
Résumé
Abstract As the role of phytoplankton diversity in ocean biogeochemistry becomes widely recognized, the description of plankton in ocean ecological models is becoming more sophisticated. This means that a growing number of plankton physiological traits need to be determined for various species and under various growth conditions. We investigate how these traits can be estimated efficiently from common batch culture and chemostat experiments. We use the Metropolis algorithm, a random‐walk Monte Carlo method, to estimate phytoplankton parameter values, along with the uncertainties in these values. First, we fit plankton physiological models to high‐resolution batch culture and chemostat data sets to obtain parameter sets that are as accurate as possible. Then, we subsample these data sets and assess to which extent the accuracy is sacrificed when fewer measurements are taken. Two measurement points within the exponential growth stage of the batch culture data set are sufficient to constrain the maximum protein synthesis rate, the maximum photosynthesis rate, and the chlorophyll‐to‐nitrogen ratio. Two measurements during the stationary phase of the batch culture experiment are then enough to constrain the parameters related to carbon excretion and the photoacclimation time. From the chemostat experiment, only four measured points are needed to constrain the parameters connected with the internal reserve dynamics of phytoplankton. Thus, we demonstrate that traits related to key biogeochemical and physiological processes can be determined with only a few batch culture and chemostat measurements, as long as the measurement points are selected appropriately.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».