Local and landscape influences on turbidity in urban streams: a global approach using citizen scientists
Notice bibliographique
Résumé
The ecological degradation of urban rivers and streams has been termed the ‘urban stream syndrome’ and attributed to increased catchment urbanization. Limiting future degradation requires an understanding of the drivers of reduced water quality at both catchment and site scales. The goal of this study was to identify the probable drivers of turbidity in river ecosystems in highly urbanized areas, under the premise that turbidity does not respond consistently to urbanization. Catchment-scale data were compiled from remotely sensed datasets, whereas local-scale data were collected by citizen scientists as part of the global FreshWater Watch (FWW) program. The local-scale data included nearly 2600 coincident measurements of turbidity and observations of other local characteristics taken with a common method between March 2013 and June 2016 across 127 unique locations in 6 major population centers: Vancouver (Canada), São Paulo (Brazil), Curitiba (Brazil), Buenos Aires (Argentina), Hong Kong SAR (China), and Guangzhou-Foshan (China). Catchment- and site-scale information were modeled with Boosted Regression Trees (BRT) to identify likely drivers of increased turbidity both across the entire dataset and within individual cities. Urbanization was not consistently associated with turbidity. The global BRT model explained 60% of the variation in turbidity, and key predictors were catchment area, % of the catchment as grassland, rainfall, Gross Domestic Product, and % of the catchment as artificial surfaces. City-specific BRT models explained 35–67% of the variation in turbidity. Key predictors varied between cities and were often different than those observed at the global scale. Local-scale data collected by citizen scientists were less predictive of turbidity than catchment-scale factors and explained ~12% of the observed global variability in turbidity. Factors such as riverbank vegetation and the presence of point pollution sources explained some of the variation in turbidity, indicating their management could help mitigate elevated turbidity and sediment load in some urban rivers. Through this high-resolution, site-scale information, we highlight how community-sourced data may add value to freshwater monitoring programs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».