The Analysis of Phytoplankton Abundance Using Weibull Distribution (A Case Study in the Coastal Area of East Yapen in the Regency of Yapen Islands, Papua)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The coastal waters of East Yapen is one of the spawning sites and areas of care for marine biota in Papua. Because of its very open location, it is widely used by human activities such as fishing, residential, industrial and cruise lines. This indirectly affects the balance of coastal waters condition of East Yapen that impact on the existence of marine biota, especially phytoplankton. Phytoplanktons have a very important role because phytoplankton is the primary producer in the food chain as a link to higher tropical levels. Therefore, special studies are needed such as looking at the distribution of phytoplankton abundance at each site. The data analysis uses the American Public Health Association (APHA), Geo-statistical data, and Chi Square. Then, the distribution parameters are estimated using the Maximum Likelihood Estimation (MLE) method.The obtained parameters are used to describe the cumulative probability and survival of phytoplankton distribution. Samples are taken from fifteen sampling points. The form parameter of the phytoplankton abundance data is 3.9844 and the scale parameter is 79.929. So phytoplankton is the most widely spread in the 15th location, followed by the 6th location. While phytoplankton is at least in the 8th location.The results showthat the highest phytoplankton abundance composition is Bacillariophyceae (50%) and the lowest is Phyrrophyceae (9%) and Cyanophceae. The research is expected to provide an overview of the fertility rate of East Yapen Coastal Waters in particular and Yapen Islands regency in general.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découle