Tracking Phytoplankton Biomass Amid Wildfire Smoke Interference Using Landsat 8 OLI
Notice bibliographique
Résumé
This study investigates the escalating impact of wildfire smoke on the remote sensing of phytoplankton biomass in freshwater systems. Wildfire smoke disrupts the accuracy of Chlorophyll-a (Chl-a) retrieval models, with Chl-a often used as a proxy for quantifying phytoplankton biomass. Given the increasing frequency and intensity of wildfires, there is a need for the development and refinement of remote sensing methodologies to effectively monitor phytoplankton dynamics under wildfire-impacted conditions. Here we developed a novel approach using Landsat’s coastal/aerosol band (B1) to screen for and categorize levels of wildfire smoke interference. By excluding high-interference data (B1 reflectance > 0.07) from the calibration set, Chl-a retrieval model performance using different Landsat band formulas improved significantly, with R2 increasing from 0.55 to as high as 0.80. Our findings demonstrate that Rayleigh-corrected reflectance, combined with B1 screening, provides a robust method for monitoring phytoplankton biomass even under moderate smoke interference, outperforming full atmospheric correction methods. This approach enhances the reliability of remote sensing in the face of increasing wildfire events, offering a valuable tool for the effective management of aquatic environments.
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 | 0,001 |
| 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) | 0,000 | 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 ».