Monitoring of cyanobacteria using derivative spectrophotometry and improvement of the method detection limit by changing pathlength
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 Effective monitoring tools and methods are needed for the early detection and management of cyanobacteria in water bodies to minimize their harmful impacts on the environment and public health. This research investigated changing the cuvette pathlength (10-, 50-, and 100-mm) to improve the detection of cyanobacteria using UV-Vis spectrophotometry with subsequent application of derivative spectrophotometry and Savitzky-Golay (S-G) transformation. A non-toxigenic strain of blue-green cyanobacteria, Microcystis aeruginosa (CPCC 632), and a green algae strain for comparison, Chlorella vulgaris (CPCC 90), were studied in a wide range of concentrations (955,000 to 1855 cells/mL). In each concentration range, method detection limits were established with absorbance measurements and S-G first derivative of absorbance using 10-, 50-, and 100-mm cuvette pathlengths. Increasing the cuvette pathlength from 10 to 100 mm resulted in a 15-fold improvement in sensitivity with absorbance and a 13-fold improvement with S-G first derivative of absorbance for M. aeruginosa. Overall, adoption of 100 mm pathlength and application of S-G derivative spectra improved the method detection limit for M. aeruginosa from 337,398 to 4916 cells/mL, which is below the WHO guideline for low probability of adverse health effects (<20,000 cells/mL). Similarly, the detection limit for C. vulgaris was improved from 650,414 to 11,661 cells/mL. The results also showed that spectrophotometry could differentiate M. aeruginosa from C. vulgaris based on the variations in their pigment absorbance peaks.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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