A new index for the rapid generation of chlorophyll time series from hyperspectral imaging of sediment cores
Notice bibliographique
Résumé
Abstract Time series analyses of pigment concentrations are key to understanding past aquatic ecosystem dynamics. As lake sediments provide a window into longer‐term changes, innovative paleolimnological chlorophyll quantification could provide impactful insights into past environmental processes. Lab‐based hyperspectral imaging of sediment cores is an emerging technique to develop rapid, non‐destructive, high‐resolution chlorophyll inferences but it requires more extensive vetting. Despite recent advances in model development, there is still a knowledge gap about the reliability of chlorophyll models when applied in lakes with diverse properties, as well as the potential confounding effects of physical sediment properties on these models. We assessed the performance of 23 chlorophyll indices based on paired measurements collected via hyperspectral imaging and spectrophotometry for 202 samples spread across seven Canadian lake sediment cores. The best performance was by a new index based on the wavelength of the red‐edge minimum point (λREMP). We tested the applicability of λREMP to a broad range of sediment cores using a database of 116 cores, and found the index to provide reliable reconstructions of ƩChl (i.e., chlorophyll a and b and their degradation products) trends in 84% of sites. Further analyses indicated that sediment characteristics including particle size, organic matter content, water content, and density had no systematic impact on ƩChl, but greater sediment brightness did increase ƩChl inferences from hyperspectral images. Hyperspectral core scanning is poised to facilitate the generation of high‐resolution chlorophyll time series data, which could greatly improve our understanding of trajectories of change from the local to global scales.
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 | 0,000 | 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 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 ».