Characterization of morphological units in a small, forested stream using close-range remotely piloted aircraft imagery
Notice bibliographique
Résumé
Abstract. Forested, gravel bed streams possess complex channel morphologies which are difficult to objectively characterise. The spatial scale necessary to adequately capture variability in these streams is often unclear, as channels are governed by irregularly spaced features and episodic processes. This issue is compounded by the high cost and time-consuming nature of field surveys in this type of environment. In larger stream systems, remotely piloted aircraft (RPAs) have proven to be effective tools for characterizing channels at high resolutions over large spatial extents, but to date their use in small, forested streams with closed forest canopies has been limited. This paper seeks to demonstrate an objective method for characterizing channel attributes over large areas, using easily extractable data from RPA imagery collected under the forest canopy in a small (width = 10 to 15 m) stream, and to provide information on the spatial scale necessary to capture the dominant spatial morphological variability of these channels. First, the accuracy and coverage of RPAs for extracting channel data was investigated through a sub-canopy survey. From this survey data, relevant cross-sectional variables were extracted and used to characterize channel unit morphology using a principal component analysis-clustering (PCA-clustering) technique. Finally, the length scale required to capture dominant morphological variability was investigated from analysis of morphological diversity along nearly 3 km of channel. The results demonstrate that sub-canopy RPA surveys provide a viable alternative to traditional survey approaches for characterizing these systems, with 87 % coverage of the main channel stream bed. The PCA-clustering analysis provided a more objective means of classifying channel morphology with a correct classification rate of 85 %. Analysis of morphological diversity suggests that reaches of at least 15 bankfull width equivalents are required to capture the channel's dominant heterogeneity. Altogether, the results provide a precedent for using RPAs to characterize the morphology and diversity of forested streams under dense canopies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».