Cootes Paradise Marsh (CP) is an urban wetland and is part of the Hamilton Harbour Area of Concern (AOC). Anthropogenic stressors have degraded the system’s water quality. Submerged aquatic vegetation (SAV) provides critical fish habitat, and its recovery is crucial to this AOC’s delisting efforts. We developed predictive models to recommend water clarity (Secchi depth) targets that can potentially achieve a minimum SAV presence of 230 ha in CP, using macrophyte monitoring data that have been collected since 1996 by the Royal Botanical Gardens (RBG). A random forest approach was used for modelling SAV presence and SAV % cover. The final model for predicting presence of SAV consisted of Secchi depth, west wind fetch, and water level; the model had high accuracy (accuracy = 0.88, kappa = 0.77). For predicting SAV cover, the final model consisted of water depth, Secchi depth, percent slope, average fetch, water level, and substrate type; it had moderate accuracy (σ2explained = 0.66, root mean square error = 26.09, and weighted absolute percentage error = 58.96). Both models were then applied spatially using a digital elevation model to predict areas of CP where SAV would likely occur under different water level and water clarity scenarios. We recommend a delisting Secchi depth target of greater than 0.75 m to achieve the maximum potential of SAV areal extent under different water level scenarios.

中文翻译：

---

加拿大安大略省 Cootes Paradise Marsh 淹没水生植被模型的开发和空间应用

Cootes Paradise Marsh (CP) 是一个城市湿地，是汉密尔顿关注的海港区 (AOC) 的一部分。人为压力因素降低了系统的水质。沉水植被 (SAV) 提供了重要的鱼类栖息地，其恢复对于该 AOC 的除名工作至关重要。我们使用皇家植物园 (RBG) 自 1996 年以来收集的大型植物监测数据，开发了预测模型来推荐水透明度（Secchi 深度）目标，这些目标可能在 CP 中实现 230 公顷的最小 SAV 存在。随机森林方法用于对 SAV 存在和 SAV % 覆盖率进行建模。预测 SAV 存在的最终模型包括 Secchi 深度、西风取力和水位；该模型具有较高的准确度（准确度 = 0.88，kappa = 0.77）。为了预测 SAV 覆盖，最终模型包括水深、Secchi 深度、坡度百分比、平均取水量、水位和基质类型；它具有中等准确度（σ2explained = 0.66，均方根误差 = 26.09，加权绝对百分比误差 = 58.96）。然后使用数字高程模型在空间上应用这两个模型，以预测在不同水位和水透明度情景下可能发生 SAV 的 CP 区域。我们推荐大于 0.75 m 的退市 Secchi 深度目标，以实现不同水位情景下 SAV 区域范围的最大潜力。然后使用数字高程模型在空间上应用这两个模型，以预测在不同水位和水透明度情景下可能发生 SAV 的 CP 区域。我们推荐大于 0.75 m 的退市 Secchi 深度目标，以实现不同水位情景下 SAV 区域范围的最大潜力。然后使用数字高程模型在空间上应用这两个模型，以预测在不同水位和水透明度情景下可能发生 SAV 的 CP 区域。我们推荐大于 0.75 m 的退市 Secchi 深度目标，以实现不同水位情景下 SAV 区域范围的最大潜力。