Mapping four decades of lake chlorophyll-a across a continental watershed: A dataset for the lake winnipeg basin (1984–2023)
Notice bibliographique
Résumé
We present a standardized pan-watershed dataset of annual chlorophyll-a concentration (Chl-a) in 27,313 lakes (≥ 10 ha) draining into Lake Winnipeg, Canada, spanning 1984-2023. Lake polygons from HydroLAKES were integrated with Landsat 5/7/8 Collection 2 imagery processed in Google Earth Engine (GEE) using a reproducible workflow that (1) filters July-October scenes (peak phytoplankton biomass season), (2) masks non-water pixels from each scene, (3) converts Landsat digital numbers to surface reflectance values, (4) applies a cross-sensor Chl-a retrieval model calibrated against in-situ samples, (5) calculates the spatial mean of Chl-a in each lake for each scene, and (6) calculates the median value of all spatial-mean values per lake per year. Outputs include per-lake annual Chl-a provided as both natural-log and back-transformed Chl-a (µg L⁻¹) plus annual trophic state classes delivered in an Excel workbook and two geodatabases for mapping. The accompanying annotated GEE and R codes, input lake boundaries, and documentation enable transparent reuse and straightforward adaptation to other regions, time periods, or sensors. This resource fills a critical monitoring gap for an agriculturally influenced, bloom-prone continental watershed and supports research and management by establishing productivity baselines, detecting departures from historical conditions, and assessing bloom timing at scales relevant to decision-making. All data, inputs, and code are openly available via Zenodo.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».