Interpretation of total phytoplankton and cyanobacteria fluorescence from cross‐calibrated fluorometers, including sensitivity to turbidity and colored dissolved organic matter
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
Abstract In vivo pigment fluorescence methods allow simple real‐time detection and quantification of freshwater algae and cyanobacteria. Available models are still limited to high‐cost fluorometers, validated for single instruments or individual water bodies, preventing data comparison between multiple instruments, and thus, restricting their use in large‐scale monitoring programs. Moreover, few models include corrections for optical interference (water turbidity and colored dissolved organic matter, CDOM). In this study, we developed simple models to predict phytoplankton and cyanobacterial chlorophyll a ( Chl a ) concentrations based on Chl a and C‐phycocyanin in vivo fluorescence, using multiple low‐cost handheld fluorometers. We aimed to: (1) fit models to mixed cyanobacterial and microalgal cultures; (2) cross‐calibrate nine fluorometers of the same brand and series; (3) correct the CDOM and turbidity effects; and (4) test the algorithms’ performance with natural samples. We achieved comparable results between nine instruments after the cross‐calibration, allowing their simultaneous use. We obtained algorithms for total and cyanobacterial Chl a estimation. We developed parametric corrections to remove CDOM and turbidity interferences in the algorithms. Five sampling sites (from a lake, a stream, and an estuary) were used to test the algorithms using eight cross‐calibrated fluorometers. The models showed their best performance after CDOM and turbidity corrections (total Chl a : R 2 = 0.99, RMSE = 7.8 μ g Chl a L −1 ; cyanobacterial Chl a : R 2 = 0.98, RMSE = 9.8 μ g Chl a L −1 ). In summary, our models can quantify total phytoplankton and cyanobacterial Chl a in real time with multiple low‐cost fluorometers, allowing its implementation in large‐scale monitoring programs.
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 | 0,001 | 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 | 0,000 | 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