Application of multispectral remote sensing to monitoring water quality of urban stormwater retention ponds
Notice bibliographique
Résumé
Stormwater retention ponds are used to reduce the burden on storm sewer systems during heavy rain events and filter pollutants, although they are prone to eutrophication and cyanobacterial blooms. Two nearby ponds with contrasting designs (traditional vs. naturalized) in Winnipeg, Manitoba, were regularly sampled from late spring to early fall for two years using a boat and tested for a suite of water quality parameters in order to compare them. Near-surface measurements of water reflectance were also collected via remote sensing using a handheld spectroradiometer. A drone equipped with a multispectral sensor was deployed prior to sampling to collect imagery of the ponds in order to evaluate the utility of airborne remote sensing for monitoring water quality. Compared to established remote sensing methods such as satellites and handheld spectroradiometers, drones are a relatively new technology that have potential to fill a niche for monitoring small water bodies or areas of interest at high spatial and temporal resolutions. Cloud-free skies with low wind were considered ideal flight conditions, however, data were also collected under suboptimal conditions. Results showed that the naturalized retention pond typically had lower concentrations of chlorophyll-a and total suspended solids at its surface layer and was dominated by green algae and diatoms as opposed to cyanobacteria at the traditional pond. Water quality tended to decline throughout the sampling season at both ponds, but the traditional pond experienced an intense cyanobacterial bloom in 2021. At the naturalized pond, the timing of water quality decline coincided with the senescence of green algae and pondweed along its surface layer. Results of linear regressions between select waveband ratios and chlorophyll-a or total suspended solids demonstrated that while the near-surface method was typically stronger, airborne remote sensing was viable and even outperformed it under certain conditions. The influence of suboptimal conditions on regression strength varied, as did the performance of wavebands among ponds, however, at least one option performed moderately well in all cases, and under ideal circumstances R2 values were exceptional. Three key waveband ratios performed well under numerous circumstances: red-edge to red, red-edge to green, and near-infrared to red.
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 | 0,000 |
| 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 | 0,000 | 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 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 ».