MétaCan
Menu
Retour à la cohorte
Enregistrement W2887307500 · doi:10.5194/os-14-751-2018

An evaluation of the performance of Sea-Bird Scientific's SeaFET™ autonomous pH sensor: considerations for the broader oceanographic community

2018· article· en· W2887307500 sur OpenAlexafffundabout
C. A. Miller, Katie Pocock, Wiley Evans, Amanda L. Kelley

Notice bibliographique

RevueOcean science · 2018
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueOcean Acidification Effects and Responses
Établissements canadiensTula Foundation
Organismes subventionnairesHakai InstituteDivision of Ocean SciencesPacific Salmon FoundationTula Foundation
Mots-clésEnvironmental scienceSeawaterCalibrationOceanographyBayRange (aeronautics)Remote sensingShoreComputer scienceGeologyStatisticsEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract. The commercially available Sea-Bird SeaFET™ 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 SeaFET™ 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 in British Columbia, Canada) spanning a broad range of nearshore temperature and salinity conditions. Both the internal and external electrodes onboard the SeaFET™ were evaluated against robust benchtop measurements for accuracy using the factory calibration, an in situ single-point calibration, or an in situ multi-point calibration. In addition, two sensors deployed in parallel in Kasitsna Bay, Alaska, USA, were compared for inter-sensor variability in order to quantify other factors contributing to the sensor's intrinsic inaccuracies. Based on our results, the multi-point calibration method provided the highest accuracy (< 0.025 difference in pH) of pH when compared against benchtop measurements. Spectral analysis of time series data showed that during spring in Alaskan waters, a range of tidal frequencies dominated pH variability, while seasonal oceanographic conditions were the dominant driver in Canadian waters. Further, it is suggested that spectral analysis performed on initial deployments may be able to act as an a posteriori method to better identify appropriate calibration regimes. Based on this evaluation, we provide a comprehensive assessment of the potential sources of uncertainty associated with accuracy and precision of the SeaFET™ electrodes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesÉtudes des sciences et des technologies
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,343
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,006
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,296
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueOcean scienceMême sujetOcean Acidification Effects and ResponsesTravaux en français237 207