Monitoring harmful algae blooms in Darlings Lake, New Brunswick, using K-means clustering of multi-spectral imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Darlings Lake, located in the Saint John River watershed, Canada, experienced lake-wide cyanobacteria blooms in the summers of 2021 and 2022. This study uses high spatial and temporal resolution satellite imagery from Planet Labs (Planet Labs, Inc., San Francisco, CA, United States of America) to understand the extent and severity of the blooms with a time series analysis of the normalized difference vegetation index (NDVI) and the normalized difference chlorophyll index (NDCI) over the lake using k-means clustering. We distinguish algae blooms from preexisting aquatic vegetation by creating a baseline map of mean aquatic vegetation extent, and subtracting this from each image in the time series. Additionally, results from a principal component analysis conducted on each year’s imagery corroborate the k-means finding, and align with spatial trends of bloom events observed in the lake. In this study, normalized difference chlorophyll index values are observed to be more reliable for estimating the severity of algal blooms, while NDVI is more sensitive to glare, haze, thin clouds, and signal over-saturation caused by blooms, aligning with preexisting research findings. We successfully fit a linear regression between NDCI values and in situ measurements of phycocyanin concentrations surrounding AlgaeTracker™ buoys ( R 2 :0.893). Furthermore we highlight bloom extent and severity for 2021 and 2022, revealing potential bloom hotspots in the lake. The methodology in this project can be extended to systematically analyze high-resolution satellite imagery in freshwater ecosystems to detect harmful algae blooms.
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.
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 | 0,001 |
| 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 découle