A practitioner's guide to thermal infrared remote sensing of rivers and streams: recent advances, precautions and considerations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Stream temperature is a key habitat variable controlling all physical and biological river processes. In light of the threat of climate change to fluvial environments, growing importance is being placed on the need to gain a better understanding of stream temperature dynamics. However, many current or historic stream temperature datasets are of very low spatial resolution. Such in situ measurements are often unable to provide the fine scale information on longitudinal or lateral temperature patterns necessary for understanding links between thermal heterogeneity and fluvial processes. In recent years, attention has therefore turned to the use of thermal infrared ( TIR ) remote sensing in order to acquire 2D stream temperature data at ecologically meaningful scales. While TIR remote sensing is a relatively mature technology in its own right, its application in fluvial environments is accompanied by a range of limitations and considerations that must be respected in order to ensure the acquisition of reasonable quality data. It is only in recent years that researchers have been started to shift from detailing the technical aspects of TIR imaging of river environments toward describing its application for river management and fundamental fluvial science. We critically review this recent research, demonstrating the utility of TIR for applied river temperature research. We also provide a detailed guide to the practical use of TIR in river environments with a view to further stimulating its use for advancing stream temperature science. WIREs Water 2016, 3:251–268. doi: 10.1002/wat2.1135 This article is categorized under: Water and Life > Nature of Freshwater Ecosystems Science of Water > Hydrological Processes Science of Water > Water Quality
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.
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 découle