Using remote sensing to assess how intensive agriculture impacts the turbidity of a fluvial lake floodplain
Notice bibliographique
Résumé
Lake St-Pierre is set in the largest floodplain in the province of Quebec, Canada, and is a rich ecosystem of great ecological importance. However, Lake St-Pierre has seen its ecological integrity deteriorate in recent decades, largely due to the development of agriculture in and around its floodplain. This study uses a simple turbidity retrieval model (NIR and RED reflectances from Sentinel-2) to quantify the impact of land use on water turbidity within the lake floodplain during the 2019 and 2020 spring flood. Using a linear mixed effect model, we assessed how land use (wet meadows, cultivated grasslands, soybean, corn fields) impacts turbidity retrieved from Sentinel-2. Water turbidity was found to increase with the level of agricultural perturbations. During the severe and long 2019 flood, the turbidity was 5% higher over cultivated grassland fields, 35% higher over soybean fields and 70% higher over corn fields, compared to wet meadows. For 2020, a comparatively drier year, the corresponding impacts were 9% for cultivated grassland fields, 65% for soybean fields and 93% for corn fields. However, land use only explained 4% (2019) and 5% (2020) of the water turbidity spatiotemporal variance, which was instead mostly driven by the sediment load coming from upstream watersheds. Our results indicate that, despite complex processes driving water mass movements in the floodplain, intensive farming practices lead to higher water turbidity compared to natural lands. This study provides evidence that intensive agriculture impacts the water quality in a critical moment for the long-term health of the Lake St-Pierre.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».