Analysis of common pre-treatments in grain-size analysis (using a grain-size standard)
Notice bibliographique
Résumé
ABSTRACT This study investigates the impacts of sample preparation procedures on grain-size measurements to determine comparability of data collected using differing methodologies. Grain-size distributions of marine and terrestrial sediments contain important information about the depositional environment. For example, the “sortable-silt index” (or mean grain size between 10 and 63 μm in marine sediments, is used as an indicator of flow speed and has been applied to the reconstruction of ocean current strength before the instrumental period. Similarly, the mean grain size of a sediment is used to classify it (e.g., silt versus sand). Accurate measurements of grain-size distributions often require chemical pre-treatments in order to remove sedimentary components of biogenic origin (e.g., shells), and multiple ways to perform these pre-treatments exist. This study tests whether the choice of pre-treatment introduces variability into grain-size distributions. We simulate multiple commonly used pre-treatments on a well-characterized internal standard (“Sillikers”) and compare the resulting mean size and sortable-silt index in each treatment group to untreated samples using ANOVA. Two instruments, a Coulter Counter Multisizer III and a Coulter LS 230 Laser Diffraction Analyzer are used. Results from the Multisizer III suggest that the choice of pre-treatment method does not significantly impact the final grain-size distributions but underlines the importance of replicates. Results from the laser sizer suggest that oven-drying leads to a small but statistically significant difference of ∼ 0.3 μm in the sortable-silt index, and drying samples via hot plate leads to another small but statistically significant difference of ∼ 0.29 μm. While it is unclear what causes these differences in the laser sizer data, they are smaller than the observed variations in sortable-silt index used to infer changes in current speed in a typical paleoclimate study. In conclusion, grain-size measurements are a robust tool for sediment analysis and are resistant to changes from differing pre-treatment methods tested here.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».