In-situ manipulations of aquatic optical depth and its effect on small unoccupied aerial systems–derived spectral reflectance
Notice bibliographique
Résumé
The collection of spectral data with sensors fixed to various platforms (e.g., satellites, occupied aerial vehicles, and small unoccupied aerial systems (sUAS)) has allowed for the estimation of optically active constituents (OACs) common in surface waters. However, in small, complex, and optically shallow waters where multiple OACs (e.g., chlorophyll-a and total suspended solids) impact the spectral signature, these technologies have experienced significant limitations. Altering the scale at which these examinations are performed on surface waters (e.g., ponds and lakes) to mesocosm systems (37 cm in height and 30 cm in diameter) provides information on the interactions between multiple OACs and insight on the impact aquatic optical depth has on remotely sensed spectra. This field study examines optically shallow and optically deep mesocosm systems simulated in five-gallon buckets to determine the role aquatic optical depth has on developing accurate surface-water quality models. Results demonstrated an accurate representation of OACs in optically deep mesocosms compared with optically shallow mesocosms when assessed with sUAS (i.e., relative percent differences in predicted iron concentrations of −86 and 16 for optically shallow and deep waters, respectively). The interferences observed under these conditions were comparable to literature values when studying optically complex water bodies with hyperspectral data. This study provides a basis for understanding the benefits and limitations of monitoring in-situ water quality via sUAS.
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) | 0,000 | 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 ».