Long term water clarity changes in<scp>N</scp>orth<scp>A</scp>merica's<scp>G</scp>reat<scp>L</scp>akes from multi‐sensor satellite observations
Notice bibliographique
Résumé
Abstract Water clarity in North America's Laurentian Great Lakes has undergone considerable change over the last several decades as a consequence of invasive species, eutrophication, and implemented nutrient management practices. Satellite observations from the CZCS, SeaWiFS, and MODIS‐Aqua sensors have been used in tandem with long term records of Secchi disk depth ( Z SD ) to provide a retrospective analysis of spatial and temporal variations in water clarity over the Great Lakes. A simple empirical algorithm is presented, relating Z SD to remote‐sensing reflectance at ∼ 550 nm ( R rs∼550 ). Results suggest remarkable and complex changes in water clarity over the Great Lakes. Lakes Ontario, Huron, and Michigan have seen increases in average Z SD over the three sensor periods of 58%, 49%, and 62%, respectively. Lake Erie shows highly variable Z SD with no consistent long term trends, while Lake Superior has remained fairly consistent in its lake‐wide water clarity conditions. Temporal trends document the decrease in whiting events on Lake Michigan while capturing the ongoing occurrence of these seasonal bright‐water events on Lake Ontario. Results indicate a divergence in Z SD trends between nearshore and offshore environments; with larger increases in offshore than nearshore Z SD and some nearshore areas suggesting a decrease in Z SD . Offshore regions of Lakes Huron, Michigan, and Superior show diminished Z SD seasonality in contrast to increasing seasonal variance in the nearshore. Spatial and temporal variations in Z SD are in agreement with documented reductions in Great Lakes bioproductivity, degrading nearshore water quality, and changing biogeochemical processes influencing whiting events and sediment resuspension.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».