Retrieval of Phytoplankton Pigments from Underway Spectrophotometry in the Fram Strait
Notice bibliographique
Résumé
Phytoplankton in the ocean are extremely diverse. The abundance of various intracellular pigments are often used to study phytoplankton physiology and ecology, and identify and quantify different phytoplankton groups. In this study, phytoplankton absorption spectra ( a p h ( λ ) ) derived from underway flow-through AC-S measurements in the Fram Strait are combined with phytoplankton pigment measurements analyzed by high-performance liquid chromatography (HPLC) to evaluate the retrieval of various pigment concentrations at high spatial resolution. The performances of two approaches, Gaussian decomposition and the matrix inversion technique are investigated and compared. Our study is the first to apply the matrix inversion technique to underway spectrophotometry data. We find that Gaussian decomposition provides good estimates (median absolute percentage error, MPE 21–34%) of total chlorophyll-a (TChl-a), total chlorophyll-b (TChl-b), the combination of chlorophyll-c1 and -c2 (Chl-c1/2), photoprotective (PPC) and photosynthetic carotenoids (PSC). This method outperformed one of the matrix inversion algorithms, i.e., singular value decomposition combined with non-negative least squares (SVD-NNLS), in retrieving TChl-b, Chl-c1/2, PSC, and PPC. However, SVD-NNLS enables robust retrievals of specific carotenoids (MPE 37–65%), i.e., fucoxanthin, diadinoxanthin and 19 ′ -hexanoyloxyfucoxanthin, which is currently not accomplished by Gaussian decomposition. More robust predictions are obtained using the Gaussian decomposition method when the observed a p h ( λ ) is normalized by the package effect index at 675 nm. The latter is determined as a function of “packaged” a p h ( 675 ) and TChl-a concentration, which shows potential for improving pigment retrieval accuracy by the combined use of a p h ( λ ) and TChl-a concentration data. To generate robust estimation statistics for the matrix inversion technique, we combine leave-one-out cross-validation with data perturbations. We find that both approaches provide useful information on pigment distributions, and hence, phytoplankton community composition indicators, at a spatial resolution much finer than that can be achieved with discrete samples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».