Use of GIS and remotely sensed data for<i>a priori</i>identification of reference areas for Great Lakes coastal ecosystems
Notice bibliographique
Résumé
Identification of reference conditions for ecological assessments of coastal ecosystems poses a challenging problem in highly modified landscapes. A method is described for characterizing disturbance in coastal ecosystems using remotely sensed land classification and other publicly available GIS data. Within ecoregions bordering the US Great Lakes coast, aquatic habitats bordering the shoreline were classified into five ecological types: high‐energy shoreline, embayments, open‐coast, river‐influenced and protected wetlands. Degree of anthropogenic disturbance in contributing areas to these ecosystems was assessed using a watershed approach for wetland types or a moving window approach for high‐energy shorelines. Anthropogenic stress variables included proportions of agricultural or residential land use, information on population and road density, and distance from the nearest point source. Polygons (wetlands) or pixels (high‐energy shoreline) were categorized as ‘reference’ if the magnitude of the most severe stressor, based on its cumulative frequency distribution within that ecoregion, placed it within the lowest 20th percentile. For shorelines, adjacent ‘reference’ pixels were agglomerated into polygons and a final ranking of polygons containing at least 2 km of shoreline was used to identify candidate reference areas. A subset of these sites is currently being sampled for fish, macroinvertebrates and physical habitat attributes. This a priori approach to reference area identification will allow managers to identify biological correlates of reference conditions, providing a benchmark for bioassessment and restoration efforts in coastal regions.
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 | 0,001 |
| 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 ».