Development of Remote Sensing Based Models for Surface Water Quality
Notice bibliographique
Résumé
The objectives of this paper were to develop, evaluate, and apply the remote sensing based models for Canadian Water Quality Index (CWQI) and turbidity for the Bow River of Alberta. We used 31 scenes of Landsat‐5 TM satellite data to establish the relationship between the planetary reflectance and the monthly ground measured data for the period of 5 years (i.e. 2006–2010). The four spectral bands (i.e. blue, green, red, and near infrared) were used to obtain the most suitable models from 26 different band combinations. The co‐efficients of determination on the basis of red band were 0.91 for the CWQI model and 0.82 for the turbidity model. The best‐fit models were validated with ground measured data and found that: 72% of the data showed 100% matching for the CWQI model and 83% of the data for the turbidity model. The Landsat‐5 TM based CWQI and turbidity models were applied on all the scenes to obtain five CWQI classes (i.e. excellent, good, fair, marginal and poor), and six classes of turbidity (i.e. 0–10 NTU, 10–20 NTU, 20–30 NTU, 30–40 NTU, 40–50 NTU, >50 NTU). On the basis of percentages obtained for CWQI and turbidity classes, the ranks of years in terms of water quality from best to worst were: 2009, 2006, 2008, 2010, and 2007 respectively. The variation of river water quality in different years of interest was associated with the climatic changes. The most deteriorated water quality noted in two natural sub‐regions included mixed grass and dry mixed grass, which could be related to irrigation‐based farming.
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 | 0,001 |
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 ».