A New Method to Map Groundwater Table in Peatlands Using Unmanned Aerial Vehicles
Notice bibliographique
Résumé
Groundwater level (GWL) and depth to water (DTW) are related metrics aimed at characterizing groundwater-table positions in peatlands, and two of the most common variables collected by researchers working in these ecosystems. While well-established field techniques exist for measuring GWL and DTW, they are generally difficult to scale. In this study, we present a novel workflow for mapping groundwater using orthophotography and photogrammetric point clouds acquired from unmanned aerial vehicles. Our approach takes advantage of the fact that pockets of surface water are normally abundant in peatlands, which we assume to be reflective of GWL in these porous, gently sloping environments. By first classifying surface water and then extracting a sample of water elevations, we can generate continuous models of GWL through interpolation. Estimates of DTW can then be obtained through additional efforts to characterize terrain. We demonstrate our methodology across a complex, 61-ha treed bog in northern Alberta, Canada. An independent accuracy assessment using 31 temporally coincident water-well measurements revealed accuracies (root mean square error) in the 20-cm range, though errors were concentrated in small upland pockets in the study area, and areas of dense tree covers. Model estimates in the open peatland areas were considerably better.
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 | 0,000 |
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 ».