Monitoring Coastal Estuarine Habitats for Biodiversity Along the Temperate Bioregion of South Africa
Notice bibliographique
Résumé
Abstract Coastal wetlands provide critical ecosystem services, including the enhancement of biodiversity, carbon sequestration, and flood protection. Although these ecosystems have been mapped for country‐level biodiversity typing, improved extent mapping is necessary to account for estuarine dynamics and improved reporting to the Kunming‐Montreal Global Biodiversity Framework (GBF) by 2030. We achieved an overall coastal wetland accuracy of 90.7% (95% confidence interval: 90.2%–91.4%) utilizing a dense time series of very high spatial resolution (3 m) PlanetScope satellite imagery to map coastal wetlands with a combination of Random Forest to develop training data, U‐Net convolutional neural networks, and a final decision tree to determine discrete ecosystem extents. Across the 84 mapped estuaries totaling 67,452 ha and 2,135 images, we mapped 9,131.1 ± 1,596.9 ha (13.5% of total estuarine functional zone extent) of salt marsh & reed beds and 1,718.6 ± 234.3 ha (2.5%) of Submerged Aquatic Vegetation (SAV). In addition to our earth observation analysis, we calculated tidal amplitudes and water level trends for 20 water level gauges across the region. We found tidal amplitude was a significant driver of salt marsh extent, explaining 33.6% of the variation (F (1,19) = 9.62, p = 0.005). We demonstrate a repeatable methodology for improved mapping of ecosystem zonation and utilize water level data to explore potential drivers of ecosystem distribution. Our method could be incorporated into a robust earth observation approach for reporting progress toward the goals of the/reporting to the GBF and Sustainable Development Goals (SDGs).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».