Combining quadrat, rake, and echosounding to estimate submerged aquatic vegetation biomass at the ecosystem scale
Notice bibliographique
Résumé
Abstract Measuring freshwater submerged aquatic vegetation (SAV) biomass at large spatial scales is challenging, and no single technique can cost effectively accomplish this while maintaining accuracy. We propose to combine and intercalibrate accurate quadrat‐scuba diver technique, fast rake sampling, and large‐scale echosounding. We found that the overall relationship between quadrat and rake biomass is moderately strong (pseudo R 2 = 0.61) and varies with substrate type and SAV growth form. Rake biomass was also successfully estimated from biovolume (pseudo R 2 = 0.57), a biomass proxy derived from echosounding. In addition, the relationship was affected, in decreasing relevance, by SAV growth form, flow velocity, acoustic data quality, depth, and wind conditions. Sequential application of calibrations yielded predictions in agreement with quadrat observations, but echosounding predictions underestimated biomass in shallow areas (< 1 m) while outperforming point estimation in deep areas (> 3 m). Whole‐system quadrat‐equivalent biomass from echosounding differed by a factor of two from point survey estimates, suggesting echosounding is more accurate at larger scales owing to the increased sample size and better representation of spatial heterogeneity. To decide when an individual or a combination of techniques is profitable, we developed a step‐by‐step guideline. Given the risks of quadrat‐scuba diver technique, we recommend developing a one‐time quadrat–rake calibration, followed by the use of rake and echosounding when sampling at larger spatial and temporal scales. In this case, rake sampling becomes a valid ground truthing method for echosounding, also providing valuable species information and estimates in shallow waters where echosounding is inappropriate.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».