A rare intercomparison of nutrient analysis at sea: lessons learned and recommendations to enhance comparability of open-ocean nutrient data
Notice bibliographique
Résumé
Abstract. An intercomparison study has been carried out on the analysis of inorganic nutrients at sea following the operation of two nutrient analysers simultaneously on the GO-SHIP A02 trans-Atlantic survey in May 2017. Both instruments were Skalar San++ Continuous Flow Analyzers, one from the Marine Institute, Ireland and the other from Dalhousie University, Canada, each operated by their own laboratory analysts following GO-SHIP guidelines while adopting their existing laboratory methods. There was high comparability between the two data sets and vertical profiles of nutrients also compared well with those collected in 1997 along the same A02 transect by the World Ocean Circulation Experiment. The largest differences between data sets were observed in the low-nutrient surface waters and results highlight the value of using three reference materials (low, middle and high concentration) to cover the full range of expected nutrients and identify bias and non-linearity in the calibrations. The intercomparison also raised some interesting questions on the comparison of nutrients analysed by different systems and a number of recommendations have been suggested that we feel will enhance the existing GO-SHIP guidelines to improve the comparability of global nutrient data sets. A key recommendation is for the specification of clearly defined data quality objectives for oceanic nutrient measurements and a flagging method for reported data that do not meet these criteria. The A02 nutrient data set is currently available at the National Oceanographic Data Centre of Ireland: https://doi.org/10.20393/CE49BC4C-91CC-41B9-A07F-D4E36B18B26F and https://doi.org/10.20393/EAD02A1F-AAB3-4F4E-AD60-6289B9585531.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| 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 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 ».