Mapping Surface Water Presence and Hyporheic Flow Properties of Headwater Stream Networks With Multispectral Satellite Imagery
Notice bibliographique
Résumé
Abstract Growth and contraction of headwater stream networks determine habitat extent, and open a window to the hyporheic zone. A fundamental challenge is observation of this process: wetted channel extent is dynamic in space and time, with wetted channel length varying by orders of magnitude over the course of a single storm event in headwater catchments. To date, observational data sets are produced from boots‐on‐the‐ground campaigns, drone imaging, or flow presence sensors, which are often laborious and limited in their spatial and temporal extents. Here, we evaluate satellite imagery as a means to detect wetted channel extent via machine learning methods trained on local surveys of wetted channel extent. Even where channel features are smaller than the imagery's spatial resolution, the presence of surface water may be imprinted upon the spectral signature of an individual pixel. For two catchments in northern California with minimal riparian canopy cover and highly dynamic wetted channel extent, we train a random forest model on RapidEye imagery captured contemporaneously with the existing surveys to predict wetted channel extent (accuracy >91%). The model is used to produce length‐discharge (L‐Q) relations and to calculate spatially distributed estimates of channel hyporheic flow capacity and exchange. A sharp break in hyporheic flow capacity occurs from main stem channels to lower order tributaries, resulting in a stepped L‐Q relationship that cannot be captured by traditionally used power law models. Remotely sensed imagery is a powerful tool for mapping wetted channels at high spatial resolution.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».