Identifying zooplankton fecal pellets from <i>in situ</i> images
Notice bibliographique
Résumé
Abstract Zooplankton play a crucial role in the biological carbon pump by producing sinking particles including sloppy feeding by-products, fecal pellets, molts and carcasses. However, quantifying their impact of these particles on the carbon cycle remains difficult. The contribution of fecal pellets to particulate organic carbon export is usually assessed using fecal pellets collected from sediment traps and laboratory studies. Here, we identified 50 771 fecal pellet-like particles distributed across three morphological clusters. These were extracted from 987 236 in situ images of non-living particles collected from Baffin Bay (Arctic Ocean) using the Underwater Vision Profiler (UVP). We associated which taxonomic groups produced the fecal pellets by comparing the UVP images with observations of fecal pellet morphology and length. Our results emphasize the feasibility of quantifying fecal pellets from in situ images and the importance of developing the resolution of imaging tools that would simultaneously identify smaller fecal pellet-like particles and capture images of large crustacean zooplankton. Using in situ images in identifying fecal pellets will facilitate a better understanding of their dynamics, a more accurate calculation of carbon fluxes, and the representation of fecal pellets in biogeochemical models.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,002 | 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 ».