Monitoring Water Turbidity in a Temperate Floodplain Using UAV: Potential and Challenges
Notice bibliographique
Résumé
The Lake Saint-Pierre (LSP) is a wide (≈300 km2) and shallow (≈3 m) lake created through a widening of the St. Lawrence River. Each spring, freshet makes it the largest floodplain in the province of Quebec. Agricultural practices in the littoral increase the water turbidity, which deteriorate the habitat’s quality of many fish species. However, measuring spatio-temporal turbidity patterns in the LSP floodplain remain difficult because turbidity is highly variable in space and time. This study aims to evaluate the potential to use an Unmanned Aerial Vehicle (UAV) to measure the water turbidity in the LSP’s floodplain. The results show that the UAV can efficiently measure the variation of turbidity in the LSP with a RMSE of 28.22 FNU. We also compared the turbidity retrieved from UAV with those retrieved from Sentinel-2 observations. The results show that the two models are comparable, even if Sentinel-2 yields better results. However, challenges remain when using UAV for turbidity monitoring, such as software limitations for mosaics creation over large water bodies. Nevertheless, the high spatial and temporal information can provide insights into the complex water turbidity patterns which characterize floodplains. The method could help land use management to improve the water quality of these ecosystems.
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) | 0,000 | 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 ».