Catchment-scale, high-resolution, hydraulic models and habitat maps – a salmonid's perspective
Notice bibliographique
Résumé
The advent of remotely-sensed high-resolution imagery has led to the development of methods to map river bathymetry. In this study, we utilized high-resolution imagery to map river depth and quantify hydraulic habitats at the catchment scale (>1000 km2) during low flows. Using 0.3-m airborne multi-spectral imagery (resampled to 0.5 m), we mapped contiguous river depth (124 km) within a well-established Atlantic Salmon (Salmo salar) and Brook Trout (Salvelinus fontinalis) river – The Little Southwest Miramichi, New Brunswick. We built image-derived depth maps with and without field data calibration. The model without field calibration data (flow resistance equation‐based imaging of river depths) accurately described river depths (R2 = 72.7; RMSE = 0.167 m; n = 762); however, it overestimated shallow depths. The field-calibrated model removed shallow depth errors (R2 = 76.4; RMSE = 0.155 m; n = 762). We mapped velocity using a relationship between river geometry and discharge, and coalesced the field-calibrated depth and velocity maps to create Froude and Reynolds number maps. Finally, we performed an unsupervised classification model to delineate the hydraulically relevant habitat units for salmonids. This approach provides an unprecedented view of catchment-scale hydraulic habitats that will advance both hydrological process research and river resources management.
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 | 0,001 |
| 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 ».