Large multi-decade beaver ponding changes in the subarctic Hudson Bay Lowlands, Canada observed using satellite remote sensing
Notice bibliographique
Résumé
Abstract Beavers strongly impact hydrology and ecosystems through their widespread dam building that creates ponds and wetlands. Monitoring the relative abundance of beavers and their waterbodies is needed to assess these effects and factors influencing population levels. However, the ability to do this over vast, remote regions is limited with conventional aerial or field-based surveying. To address this challenge, we developed a satellite remote sensing method to track beaver ponding changes over multiple decades and applied it to a 5127 km 2 region of the coastal Hudson Bay Lowlands in Manitoba, Canada. Annual, sub-pixel surface water mapping using 30 m resolution Landsat satellite data, combined with a spatial database of beaver dams, permitted the mapping of 37 year (1985–2021) beaver ponding dynamics. We identified 1714 beaver dams and 1085 beaver pond complexes covering 31 km 2 , indicating that beavers have an important influence on stream hydrology in this high subarctic landscape. The total area of ponding decreased by 53% from 1986–1989 and by 80% by 1995, and then gradually recovered to initial levels by 2015. The early, steep drop in beaver ponding corresponded to a 13% decline in regional surface water area, while a similar wetness decline during 2015–2018 resulted in little change in beaver ponding. We suggest that strong beaver ponding dynamics were likely caused by the interaction between streamflow levels and beaver populations living near their northern range limit and cold tolerance. The pond mapping method can be applied to other regions if the long-term distribution of beaver dams is known, and ponds are large enough to be identified using a Landsat sub-pixel approach.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».