High-resolution assessment of riverbank erosion and stabilization techniques with associated water quality implications
Notice bibliographique
Résumé
Agriculture is a key contributor to poor water quality, but the sources of sediment and nutrient losses from agricultural catchments – including from riverbank erosion – are highly variable. Riverbank erosion is particularly difficult to quantify and control. Here, we developed a quick assessment approach to quantify riverbank erosion rates and associated sediment and nutrient loading rates into waterways using airborne LiDAR combined with field-collected data. We applied this approach and explored its relationships to water quality at four sites within the Blackwater catchment in Northern Ireland for two analysis periods. GIS LiDAR image differencing revealed that volume changes in riverbank elevation equated to average erosion rates which indicated spatial and temporal variability in erosion rates. Combining the erosion rates with in-situ riverbank bulk density and total extractable phosphorus content provided sediment and phosphorus loading rates. The relative differences between estimated erosion at the different sites corresponded well with in-stream suspended sediment variations, but patterns for total phosphorus concentrations were more complex. We conclude that the use of LiDAR combined with field data is an innovative means for riverbank erosion quantification. Furthermore, by using LiDAR-to-LiDAR analyses, the reductions in erosion, sediment, and phosphorus loading rates following riverbank stabilization techniques can be determined.
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 ».