Monitoring Shoreline and Land Use/Land Cover Changes in Sandbanks Provincial Park Using Remote Sensing and Climate Data
Notice bibliographique
Résumé
Climate change-driven forces and anthropogenic interventions have led to considerable changes in coastal zones and shoreline positions, resulting in coastal erosion or sedimentation. Shoreline change detection through cost-effective methods and easy-access data plays a key role in coastal management, where other effective parameters such as land-use/land-cover (LULC) change should be considered. This paper presents a remotely sensed shoreline monitoring in Sandbanks Provincial Park, Ontario, Canada, from 1984 to 2021. The CoastSat toolkit for Python and a multilayer perceptron (MLP) neural network classifier were used for shoreline detection, and an unsupervised change detection framework followed by a postclassification change detection method was implemented for LULC classification and change detection. The study assessed the recent coastal erosion and accretion trends in the region in association with spatiotemporal changes in the total area of the West and East Lakes, the transition between LULC classes, extreme climate events, population growth, and future climate projection scenarios. The results of the study illustrate that the accretion trend apparently can be seen in most parts of the study area since 1984 and is affected by several factors, including lake water-level changes, total annual precipitations, sand movements, and other hydrologic/climatic parameters. Furthermore, the observed LULC changes could be in line with climate change-driven forces and population growth to accelerate the detected accretion trend in the East and West Lakes. In total, the synergistic interaction of the investigated parameters would result in a greater accretion trend along with a lower groundwater table amid even a low carbon scenario. The discussed findings could be beneficial to regional/provincial authorities, policymakers, and environmental advocates for the sustainable development of coastal communities.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».