Assessing the effects of land use on water turbidity in a fluvial lake floodplain using Sentinel-2 imagery
Notice bibliographique
Résumé
ABSTRACT Lake Saint-Pierre (LSP), the largest fluvial lake in the St-Lawrence River system, is a vital freshwater floodplain with rich biodiversity. However, expanding agricultural activities have disrupted the landscape, increasing turbidity and threatening the ecosystem. In response, the Quebec government launched the LSP strategic research cluster in 2018 to encourage sustainable land and water management. This study examines how different land-use types affected turbidity during the spring floods of 2019, 2020, and 2022, using Sentinel-2 satellite imagery. Land types included conventional and improved agriculture, cultivated and natural grasslands, and flooded forests. A new empirical model for flooded forests showed strong accuracy (adjusted R2 of 0.88, RMSE (root mean square error) of 10.91 FNU (Formazin Nephelometric Unit)). Combined with an existing model for open water, turbidity maps were created across all land types. Using a linear mixed model, we found that conventional and improved practices increased turbidity in the LSP floodplain by up to 600% compared with natural forests. Grasslands also contributed to higher turbidity, though to a lesser extent. The findings underscore that even improved practices cannot fully mitigate turbidity. Effective control requires integrated watershed management, including upstream inputs and targeted best practices to protect the LSP floodplain.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».