MétaCan
Menu
Retour à la cohorte
Enregistrement W4406868404 · doi:10.3390/rs17030430

Spatiotemporal Patterns of Chlorophyll-a Concentration in a Hypersaline Lake Using High Temporal Resolution Remotely Sensed Imagery

2025· article· en· W4406868404 sur OpenAlexaff
R. Douglas Ramsey, Soren Brothers, Melissa Cobo, Wayne A. Wurtsbaugh

Notice bibliographique

RevueRemote Sensing · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring and Analysis
Établissements canadiensRoyal Ontario MuseumUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésRemote sensingHigh resolutionGeologySatellite imageryChlorophyll aOceanographyEnvironmental science

Résumé

récupéré en direct d'OpenAlex

The Great Salt Lake (GSL) is the largest saline lake in the Western Hemisphere. It supports billion-dollar industries and recreational activities, and is a vital stopping point for migratory birds. However, little is known about the spatiotemporal variation of phytoplankton biomass in the lake that supports these resources. Spectral reflectance provided by three remote sensing products was compared relative to their relationship with field measurements of chlorophyll a (Chl a). The MODIS product MCD43A4 with a 500 m spatial resolution provided the best overall ability to map the daily distribution of Chl a. The imagery indicated significant spatial variation in Chl a, with low concentrations in littoral areas and high concentrations in a nutrient-rich plume coming out of polluted embayment. Seasonal differences in Chl a showed higher concentrations in winter but lower in summer due to heavy brine shrimp (Artemia franciscana) grazing pressure. Twenty years of imagery revealed a 68% increase in Chl a, coinciding with a period of declining lake levels and increasing local human populations, with potentially major implications for the food web and biogeochemical cycling dynamics in the lake. The MCD43A4 daily cloud-free images produced by 16-day temporal composites of MODIS imagery provide a cost-effective and temporally dense means to monitor phytoplankton in the southern (47% surface area) portion of the GSL, but its remaining bays could not be effectively monitored due to shallow depths, and/or plankton with different pigments given extreme hypersaline conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,739
Score d'incertitude au seuil0,981

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,260
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetWater Quality Monitoring and AnalysisTravaux en français237 207