Landscape indicators as a tool for explaining heavy metal concentrations in urban streams
Notice bibliographique
Résumé
In urban watersheds, the toxicity and persistence of metals found in urban runoff has serious consequences for aquatic organisms. Landscape indicators - measures of the amount and arrangement of land cover - have been widely used as proxies for monitoring stream water quality. Yet, landscape indicators of heavy metal concentrations remain largely unexamined. Here, we investigated the utility of landscape indicators for explaining spatio-temporal trends of heavy metal concentrations in 58 streams throughout the Greater Vancouver Region in British Columbia, Canada. We asked: 1) How effective are landscape indicators in explaining instream heavy metal concentrations over different spatio-temporal scales? 2) Does explanatory power differ for landscape composition versus configuration indicators? We developed landscape indicators using a high resolution (5-m) land cover map and then used these landscape indicators to develop statistical models explaining Copper (Cu), Lead (Pb), Zinc (Zn), Cadmium (Cd) and Iron (Fe) concentrations in streams. Overall, riparian indicators explained 5–11% more variation of wet season metals than dry season, whereas watershed indicators only explained more variability in Pb during the dry season. Combining indicators mapped across multiple scales improved explanatory power of models, explaining >60% of the variability in heavy metal concentrations, regardless of season. When considering spatial arrangement of land cover, edge contrast between deciduous patches and impervious surroundings explained as much as 39% of the variability in Cu concentrations. Our approach is cost-effective, transportable, and especially useful in cities where high resolution land cover is readily available yet resources for in-stream monitoring are scarce.
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 | 0,000 |
| 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 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 ».