An Evaluation of the Performance of Sea-Bird Scientific's Autonomous SeaFET <sup>TM</sup> : Considerations for the Broader Oceanographic Community
Notice bibliographique
Résumé
Abstract. The commercially available Sea-Bird SeaFETTM provides an accessible way for a broad community of researchers to study ocean acidification and obtain robust measurements of seawater pH via the use of an in situ autonomous sensor. There are pitfalls, however, that have been detailed in previous best practices for sensor care, deployment, and data handling. Here, we took advantage of two distinctly different coastal settings to evaluate the Sea-Bird SeaFETTM and examine the multitude of scenarios in which problems may arise confounding the accuracy of measured pH. High-resolution temporal measurements of pH were obtained during 3- to 5-month field deployments in three separate locations (two in south-central, Alaska, USA, and one British Columbia, CA) spanning a broad range of nearshore temperature and salinity conditions. Both the internal and external electrodes onboard the SeaFETTM were evaluated against robust benchtop measurements for accuracy utilizing either the factory calibration, an in situ single-point calibration, or in situ multi-point calibration. In addition, two sensors deployed in parallel in Kasitsna Bay, AK, USA, were compared for inter-sensor variability in order to quantify other factors contributing to SeaFETTM intrinsic inaccuracies. Based on our results, the multi-point calibration method provided the highest accuracy (
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 | 0,004 | 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 | 0,002 | 0,001 |
| 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) | 0,001 | 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 ».