Multi-Scale Spectral Separability of Submerged Aquatic Vegetation Species in a Freshwater Ecosystem
Notice bibliographique
Résumé
Optical remote sensing has been suggested as a preferred method for monitoring submerged aquatic vegetation (SAV), a critical component of freshwater ecosystems that is facing increasing pressures due to climate change and human disturbance. However, due to the limited prior application of remote sensing to mapping freshwater vegetation, major foundational knowledge gaps remain, specifically in terms of the specificity of the targets and the scales at which they can be monitored. The spectral separability of SAV from the St. Lawrence River, Ontario, Canada, was therefore examined at the leaf level (i.e., spectroradiometer) as well as at coarser spectral resolutions simulating airborne and satellite sensors commonly used in the SAV mapping literature. On a Leave-one-out Nearest Neighbor criterion (LNN) scale of values from 0 (inseparable) to 1 (entirely separable), an LNN criterion value between 0.82 (separating amongst all species) and 1 (separating between vegetation and non-vegetation) was achieved for samples collected in the peak-growing season from the leaf level spectroradiometer data. In contrast, samples from the late-growing season and those resampled to coarser spectral resolutions were less separable (e.g., inter-specific LNN reduction of 0.25 in late-growing season samples as compared to the peak-growing season, and of 0.28 after resampling to the spectral response of Landsat TM5). The same SAV species were also mapped from actual airborne hyperspectral imagery using target detection analyses to illustrate how theoretical fine-scale separability translates to anin situ, moderate-spatial scale application. Novel radiometric correction, georeferencing, and water column compensation methods were applied to optimize the imagery analyzed. The SAV was generally well detected (overall recall of 88% and 94% detecting individual vegetation classes and vegetation/non-vegetation, respectively). In comparison, underwater photographs manually interpreted by a group of experts (i.e., a conventional SAV survey method) tended to be more effective than target detection at identifying individual classes, though responses varied substantially. These findings demonstrated that hyperspectral remote sensing is a viable alternative to conventional methods for identifying SAV at the leaf level and for monitoring at larger spatial scales of interest to ecosystem managers and aquatic researchers.
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) | 0,000 | 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 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 ».