A Review of Remote Sensing of Submerged Aquatic Vegetation for Non-Specialists
Notice bibliographique
Résumé
Submerged aquatic vegetation (SAV) is a critical component of aquatic ecosystems. It is however understudied and rapidly changing due to global climate change and anthropogenic disturbances. Remote sensing (RS) can provide the efficient, accurate and large-scale monitoring needed for proper SAV management and has been shown to produce accurate results when properly implemented. Our objective is to introduce RS to researchers in the field of aquatic ecology. Applying RS to underwater ecosystems is complicated by the water column as water, and dissolved or suspended particulate matter, interacts with the same energy that is reflected or emitted by the target. This is addressed using theoretical or empiric models to remove the water column effect, though no model is appropriate for all aquatic conditions. The suitability of various sensors and platforms to aquatic research is discussed in relation to both SAV as the subject and to project aims and resources. An overview of the required corrections, processing and analysis methods for passive optical imagery is presented and discussed. Previous applications of remote sensing to identify and detect SAV are briefly presented and notable results and lessons are discussed. The success of previous work generally depended on the variability in, and suitability of, the available training data, the data’s spatial and spectral resolutions, the quality of the water column corrections and the level to which the SAV was being investigated (i.e., community versus species.)
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,001 | 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 ».