Watershed-Scale Monitoring of Phytoplankton Biomass: Uncovering Environmental Drivers Using Landsat and Cloud-Based Tools
Notice bibliographique
Résumé
Understanding how wetlandscapes influence lake water quality is vital for managing freshwater systems under increasing climate and land use pressures. This research explores the relationship between catchment-scale wetlandscape characteristics and lake chlorophyll-a (Chl-a), a proxy for phytoplankton biomass, across the Lake Winnipeg Watershed over a four-decade period. To characterize wetlandscapes, Landsat-derived inundation products were used to develop a novel method for mapping annual wetland extent and extracting key properties—number, size, and hydrological connectivity—from 1984 to 2020. These wetlandscape properties increased significantly over time, in parallel with wetter climatic conditions and shifts in land cover. The approach highlights how remote sensing can generate scalable, watershed-wide wetland inventories for environmental monitoring and planning. In parallel, a cloud-based tool was developed to monitor lake surface Chl-a using Rayleigh-corrected Landsat reflectance, with wildfire smoke interference minimized using an innovative aerosol-band screening method. The resulting model (R² > 0.8) produced robust estimates of lake Chl-a across a range of conditions, enabling consistent tracking of phytoplankton biomass across more than 23,000 lakes from 1984 to 2023. By linking these long-term lake Chl-a records to catchment characteristics, the study evaluated potential controls on phytoplankton abundance. Climate variables (precipitation, temperature) and human land use emerged as dominant predictors of long-term mean Chl-a. Contrary to expectations, static wetlandscape metrics explained relatively little variance in Chl-a, suggesting that their regulatory role may depend more on dynamic hydrological behavior than static structure. While a modest negative relationship was observed between wetland-stream connectivity and lake Chl-a, further work is needed to capture temporal wetland dynamics and their influence on nutrient transport. This research demonstrates the power of integrated remote sensing and machine learning for freshwater monitoring and emphasizes the need to consider dynamic wetland processes in future water quality assessments and management frameworks.
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 | 0,001 | 0,001 |
| 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 ».