Tracking Phytoplankton Biomass amid Wildfire Interference Using Landsat 8 OLI
Notice bibliographique
Résumé
The increasing frequency and severity of phytoplankton blooms worldwide highlight the need for advancements in monitoring technologies. Optical remote sensors, such as Landsat, have proven to be a cost-effective method for large-scale, near-real-time assessments of phytoplankton biomass in lakes. However, its effectiveness is often compromised by atmospheric interferences like clouds, dust, and wildfire smoke, which can obscure the clear-sky conditions essential for accurate remote sensing. While partial atmospheric correction (removing only the Rayleigh effect) is commonly applied to address these interferences, it remains inadequate for mitigating the impact of wildfire smoke. This study investigates the potential of Landsat's coastal/aerosol band (B1) for assessing wildfire smoke interference effects on Chlorophyll-a (Chl-a) retrieval models, which serve as proxies for phytoplankton biomass. We employed cluster analysis of B1 values to create a screening system based on aerosol reflectance, categorizing smoke interference into low, moderate, and high levels. Subsequently, we applied both partial (Rayleigh-corrected reflectance) and full (Landsat 8 Level 2 surface reflectance) atmospheric corrections before developing the Chl-a retrieval models. Excluding high wildfire smoke interference (B1 > 0.07) from the Chl-a calibration dataset significantly enhanced model performance, increasing the r-squared value from approximately 0.55 to 0.80. Moderate smoke interference (0.05 < B1 < 0.07) yielded results comparable to low-interference conditions. Notably, Rayleigh-corrected reflectance, even without additional aerosol band filtering, achieved higher r-squared values for the Chl-a retrieval model than full atmospheric correction. B1 thus proves to be a valuable tool for identifying low smoke-impacted observations, offering an effective method to monitor phytoplankton biomass amid increasing wildfire activity and improving the capacity to monitor aquatic environments in a changing global landscape.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».