Remote sensing framework details riverscape connectivity fragmentation and fish passability in a forested landscape
Notice bibliographique
Résumé
Fragmentation of stream networks from anthropogenic structures such as road culverts can affect the health of a catchment by negatively affecting the ecosystem's biota, their movements, abundance, and species richness. We present a framework using publicly available LiDAR and orthophotography to locate and identify road crossings, i.e. the most prolific of barriers in forested landscapes, and evaluate fragmentation and passability at the landscape scale. Coupling the LiDAR stream network and private road network in the 3,223 km2 study area, we identified 1,052 stream crossings of which, 32% were culverts and 12% of the total stream network was potentially inaccessible due to these culverts. We correctly identified the type of stream-road crossings at >90% of any stream order and at 100% at Orders >2. The 10 culverts restricting the most stream kilometers, restricted >34% of the potential stream habitats for four species of fish, a result that provides the resource management with a first assessment for effective improvement of connectivity across this landscape. With this framework, managers equipped with appropriate imagery can create a stream crossing database with minimal funding, create an inventory of instream barriers, and prioritize removals at a landscape-scale, thus providing an effective assessment and decision-making tool for their habitat restoration efforts.
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 | 0,000 |
| 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 ».