ZOOPLANKTON DISTRIBUTION FROM BACKSCATTER DATA OF ADCP INSTRUMENT IN WEST SUMATRA WATERS
Notice bibliographique
Résumé
Acoustic Doppler Current Profiler (ADCP) conventionally used to monitor ocean current profiles and potentially detect zooplankton distribution remains largely unexplored. Zooplankton are key consumers in the marine food chain, therefore understanding their distribution is critical. This study aims to map the distribution of zooplankton in West Sumatra waters using ADCP backscatter data. Data analyzed encompass ocean current measurements, backscatter, and conductivity-temperature-depth (CTD) profiles collected from March 1 to 3, 2017. Raw ADCP digital counts were converted into mean volume backscattering strength (MVBS) in dB using sonar equations, proportional to zooplankton biomass. The conversion process involved corrections for sound attenuation due to distance and water absorption, ADCP transducer angle correction, and noise correction. Processing results revealed zooplankton distribution in raw ADCP data ranging from 20 to 160 counts and in MVBS data spanning -140 dB to -40 dB. MVBS values derived from ADCP acoustic signal processing were filtered within the -100 dB to -60 dB range, representing the zooplankton backscatter range. Zooplankton distribution was observed at depths of 0-300 m. Vertical zooplankton distribution was generally high in the 100-200 m layer and decreased at 0-100 m and 200-300 m. This is attributed to the influence of the Equatorial Undercurrent transporting zooplankton biomass from the Indian Ocean to West Sumatra waters at depths of 100-200 m, characterized by high salinity (34.6-35.2 PSU) and cold temperatures (19°-21°C). This study demonstrates the utility of ADCP in observing zooplankton distribution based on their backscatter values and the influence of ocean currents in transporting zooplankton biomass.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».