b100cf6c-7818-4748-9960-9eab2aa6a7a0 eng; CAN utf8; utf8 dataset; jeuDonnées Government of Canada; Fisheries and Oceans Canada; Pacific Science/Ecosystem Science Division/Marine Spatial Ecology and Analysis Section Government of Canada; Fisheries and Oceans Canada; Science Pacificque/Division des sciences des écosystèmes/Section d’écologie et d’analyse spatiale marine Institute of Ocean Sciences 9860 West Saanich Road P.O. Box 6000 Institut des sciences de la mer 9860 chemin West Saanich C.P. 6000 Sidney British Columbia Colombie-Britannique V8L 4B2 Canada Canada (le) DFO.PACScienceMSEAData-DonneesEASMSciencePAC.MPO@dfo-mpo.gc.ca DFO.PACScienceMSEAData-DonneesEASMSciencePAC.MPO@dfo-mpo.gc.ca http pointOfContact; contact 2025-06-22T14:07:08.474Z North American Profile of ISO 19115:2003 - Geographic information - Metadata Profil nord-américain de la norme ISO 19115:2003 - Information géographique - Métadonnées CAN/CGSB-171.100-2009 French; Français Canada; Canada utf8; utf8 EPSG:3005 http://www.epsg-registry.org Shallow substrate model (20m) of the Pacific Canadian coast Modèle de substrat peu profond (20m) de la côte canadienne du Pacifique 2020-01-31 publication; publication 2015-01-01 creation; création 2025-06-23 revision; révision Dr. Dana Haggarty Government of Canada; Fisheries and Oceans Canada; Ecosystems and Oceans Science/Pacific Science/Stock Assessment and Research Division Government of Canada; Fisheries and Oceans Canada; Sciences des écosystèmes et des océans/Science Pacifique/Division de l'Évaluation et recherche des stocks Inshore Rockfish and Lingcod Program Head Chef de programme du sébaste côtier et de la morue lingue 250-756-7386 250-756-7386 Pacific Biological Station 3190 Hammond Bay Road La station biologique du Pacifique 3190 chemin Hammond Bay Nanaimo British Columbia Colombie-Britannique V9T 6N7 Canada Canada (le) Dana.Haggarty@dfo-mpo.gc.ca Dana.Haggarty@dfo-mpo.gc.ca http originator; auteur Joanne Lessard Government of Canada; Fisheries and Oceans Canada; Marine Spatial Ecology and Analytics Section (MSEA) Gouvernement du Canada; Pêches et Océans Canada; Section de l’écologie spatiale marine et de l’analyse (ESMA) Research Biologist Biologiste de recherche 250-729-8364 250-729-8364 Pacific Biological Station 3190 Hammond Bay Road La station biologique du Pacifique 3190 chemin Hammond Bay Nanaimo British Columbia Colombie-Britannique V9T 6N7 Canada Canada (le) Joanne.Lessard@dfo-mpo.gc.ca Joanne.Lessard@dfo-mpo.gc.ca principalInvestigator; chercheurPrincipal The shallow substrate bottom type model was created to support near shore habitat modelling. Data sources include both available observations of bottom type and environmental predictor layers including oceanographic layers, fetch, and bathymetry and its derivatives. Using weighted random forest classification from the ranger R package, the relationship between observed bottom type and predictor layers can be determined, allowing bottom type to be classified across the study areas. The predicted raster files are classified as follows: 1) Rock, 2) Mixed, 3) Sand, 4) Mud The categorical substrate model domains are restricted to the extent of the input bathymetry layers (see data sources) which is 5 km from the 50 m depth contour. Le modèle de type de fond à substrat peu profond a été élaboré à l’appui de la modélisation des habitats littoraux. Les sources de données comprennent à la fois les observations disponibles sur le type de fond et les couches prédictives environnementales, notamment les couches océanographiques, le fetch, la bathymétrie et ses dérivés. En utilisant la classification par forêt d’arbres décisionnels pondérée du progiciel Ranger R, la relation entre le type de fond observé et les couches prédictives peut être déterminée, ce qui permet de classer le type de fond dans l’ensemble des zones d’étude. Les fichiers de données tramées prédits sont classés comme suit : 1) roche, 2) mélange, 3) sable, 4) vase. Les domaines du modèle de substrat catégoriel sont limités à l’étendue des couches bathymétriques d’entrée (voir les sources de données), qui est de 5 km à partir de la courbe de profondeur de 50 m. onGoing; enContinue irregular; irrégulier https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/b100cf6c-7818-4748-9960-9eab2aa6a7a0/attachments/ShallowSubstrate_thumbnail.jpg ShallowSubstrate_thumbnail.jpg ShallowSubstrate_thumbnail.jpg Ocean bottom Fond de l’océan Sea bed Fond marin Seabed Fond marin Rugosity Rugosité Sediments Sédiment Ocean floor Fond marin theme; thème Government of Canada Core Subject Thesaurus Thésaurus des sujets de base du gouvernement du Canada 2004 publication; publication 2016-07-04 creation;création geonetwork.thesaurus.external.theme.GC_Core_Subject Government of Canada; Library and Archives Canada Gouvernement du Canada; Bibliothèque et Archives Canada custodian; conservateur unclassified; nonClassifié Open Government Licence - Canada (http://open.canada.ca/en/open-government-licence-canada) Licence du gouvernement ouvert - Canada (http://ouvert.canada.ca/fr/licence-du-gouvernement-ouvert-canada) license; licence license; licence grid; grille eng; CAN utf8; utf8 oceans 1984-01-01 2019-12-31 -135.1251 -121.9206 48.1683 55.9667 Substrate observations were assembled from the following sources: Canadian Hydrographic Service (CHS), Dive survey data, CHS marsh data, Natural Resources Canada (NRCan), and Remotely Operated Vehicle (ROV) surveys. These observations were mapped to common bottom type classes: rock, mixed, sand, or mud. Using ArcGIS, the points were classified into training (2/3) or testing (1/3) data. The training subset is fully withheld from the model-building process and is used to evaluate each model’s performance. The random partitioning of the data into training and test subsets does not address the issue of spatial autocorrelation between observations. The code to create the model follows the following steps: A raster stack of environmental predictors is created. Point observations are overlayed onto the raster stack, and the values from the predictors are extracted to the points. Records with invalid BType4 values or with NA values from the predictors are removed. The training data are weighted according to their prevalence and are used to fit a random forest model using the ranger package (which supports case weighting). The fitted model is used to predict to the extent of the input environmental raster stack, classifying the entire area into rock, mixed, sand, or mud. The predicted surface is exported as a GeoTIFF raster file in the same resolution as the raster stack predictors (in this case, 100 metre resolution) and with the same projection. Evaluation statistics including Kappa, and accuracy by predicted class are generated using the withheld test data. Manual steps after the model has been generated: 1) Reproject layer to EPSG: 3005 (R does not support writing the top-level EPSG code to the coordinate reference system information). 2) Create a raster attribute table with SUBSTRATE field for text classes. 3) Add a field for prevalence in the raster attribute table. The bathymetry and its derivatives were created using the Arcpy module in python (see Scripts section in the metadata). The bathymetry layer was smoothed using a focal mean prior to generating the following derivatives: slope -> standard deviation of slope, curvature, and rugosity. This step was required as a method to reduce artefacts found in the derivatives. During development, these artefacts from the non-smoothed bathymetric derivatives carried through to the predicted substrate models. The non-smoothed bathymetry was used to generate the standardized BPI layers because this processing already involves processing with a neighbourhood of cells. As input to the random forest model, the original non-smoothed bathymetry was used. Ocean energy layers were also included – mean bottom ocean currents and mean tidal speed on the bottom. The SOG region uses the Salish Sea NEMO model (Allen) as source data for the ocean energy layers. The other 4 regions are sourced the the BC ROMS model (Masson). The original data for the Regional Ocean Modeling System (ROMS) has a 3 by 3 km grid resolution. These data were interpolated using Spline with Barriers (ESRI) and resampled to 20 m resolution rasters. See the scripts section for a link to the ROMS data processing. The source data for the NEMO model had higher resolution in the Strait of Georgia and so it was decided that this model would be used for the SOG region. They were first interpolated to a 40 m cell resolution (because of computational limitations) and then resampled to 20 m. The NEMO Tidal and Circulation layers were smoothed using Focal Statistics in ArcGIS with a 13 cell neighbourhood. Fetch was also included as a predictor. Fetch points were interpolated to the extent of the raster stack (specific methods and exact source data are unclear). DFO 20 m bathymetry layers (that included terrestrial elevation data) were used as the bathymetry source. The bathymetric position index (BPI) layers were created using the Benthic Terrain Modeler toolbox and were standardized after being calculated. It is important to note that when calculating BPI, the tool expects bathymetric data to have negative values associated with depths rather than positive. Predictor Layers: 1: Bathymetry 2: Slope (bathymetric derivative) – degrees 3: Standard Deviation of Slope (bathymetric derivative) 4: Broad Bathymetric Position Index (bathymetric derivative) - Inner Radius: 25 - Outer Radius: 250 5: Medium Bathymetric Position Index (bathymetric derivative) - Inner Radius: 10 - Outer Radius: 100 6: Fine Bathymetric Position Index (bathymetric derivative) - Inner Radius: 3 - Outer Radius: 25 7: Curvature (bathymetric derivative; slope of slope) 8: Rugosity (bathymetric derivative; Arc-Chord rugosity) 9: Circulation 10: Tidal 11: Fetch Les observations du substrat ont été rassemblées à partir des sources suivantes : Service hydrographique du Canada (SHC), données de relevés en plongée, données du SHC sur les marais, Ressources naturelles Canada (RNCan) et relevés par véhicule sous-marin téléguidé (VTG). Ces observations ont été mises en correspondance avec les classes de type de fond communes : roche, mixte, sable ou boue. À l’aide d’ArcGIS, les points ont été classés en données d’apprentissage (2/3) ou de test (1/3). Le sous-ensemble d’apprentissage est totalement exclu du processus de création du modèle et est utilisé pour évaluer le rendement de chaque modèle. Le partitionnement aléatoire des données en sous-ensembles d’apprentissage et de test ne permet pas de résoudre le problème de l’autocorrélation spatiale entre les observations. Le code pour créer le modèle suit les étapes suivantes : Une série matricielle de prédicteurs environnementaux est créée. Les observations ponctuelles sont superposées à la série matricielle, et les valeurs des prédicteurs sont extraites vers les points. Les enregistrements avec des valeurs BType4 non valides ou avec des valeurs S.O. des prédicteurs sont supprimés. Les données d’apprentissage sont pondérées en fonction de leur prévalence et sont utilisées pour ajuster un modèle de forêt d’arbres décisionnels à l’aide du progiciel Ranger (qui prend en charge la pondération des cas). Le modèle ajusté est utilisé pour prédire l’étendue de la série matricielle environnementale d’entrée, en classant la zone entière dans les catégories roche, mixte, sable ou boue. La surface prédite est exportée sous forme de fichier de données tramées GeoTIFF avec la même résolution que les prédicteurs de la série matricielle (dans ce cas, une résolution de 100 mètres) et avec la même projection. Les statistiques d’évaluation, notamment kappa et la précision par classe prédite, sont générées à l’aide des données de test retenues. Étapes manuelles après la génération du modèle : 1) Effectuer une nouvelle projection de la couche vers EPSG : 3005 (le progiciel R ne prend pas en charge l’écriture du code EPSG de haut niveau dans les données du système de référence des coordonnées). 2) Créer un tableau d’attributs matriciels avec un champ SUBSTRATE (substrat) pour les catégories avec texte. 3) Ajouter un champ pour la prévalence dans le tableau des attributs matriciels. La bathymétrie et ses dérivés ont été créés à l’aide du module Arcpy en langage Python (voir la section Scripts dans les métadonnées). La couche de données bathymétriques a été lissée en utilisant une moyenne focale avant de générer les dérivés suivants : pente -> écart-type de la pente, courbure et rugosité. Cette étape était nécessaire pour réduire les artefacts trouvés dans les dérivés. Au cours de l’élaboration, ces artefacts provenant des dérivés bathymétriques non lissés se sont répercutés sur les modèles de substrat prédits. Les données bathymétriques non lissées ont été utilisées pour générer les couches de l’Indice de position bathymétrique (IPB) normalisées, car ce traitement implique déjà un traitement avec un voisinage de cellules. Les données bathymétriques originales non lissées ont été utilisées en tant que données d’entrée du modèle de forêt d’arbres décisionnels. Les couches de données sur l’énergie océanique ont également été incluses – les courants océaniques moyens de fond et la vitesse moyenne des marées sur le fond. La région du DG utilise le modèle NEMO pour la mer des Salish (Allen) comme données de base pour les couches de données sur l’énergie océanique. Les quatre autres régions sont issues du modèle ROMS de la Colombie-Britannique (Masson). Les données originales du système de modélisation océanique régionale (ROMS) ont une résolution de grille de 3 km sur 3. Ces données ont été interpolées à l’aide de l’outil Spline avec interruptions (ESRI) et rééchantillonnées en trames avec une résolution de 20 m. Voir la section sur les scripts pour obtenir un lien vers le traitement des données du modèle ROMS. Les données de base du modèle NEMO avaient une meilleure résolution dans le détroit de Georgia et il a donc été décidé que ce modèle serait utilisé pour la région du DG. Elles ont d’abord été interpolées à une résolution de cellule de 40 m (en raison des limitations de calcul) et ensuite rééchantillonnées à une résolution de 20 m. Les couches de données sur les marées (Tidal) et la circulation (Circulation) du modèle NEMO ont été lissées en utilisant l’outil Statistiques focales d’ArcGIS avec un voisinage de 13 cellules. Le fetch a également été inclus en tant que prédicteur. Les points de fetch ont été interpolés en fonction de la série matricielle (les méthodes précises et les données sources exactes ne sont pas claires). Les couches de données bathymétriques à une résolution de 20 m du MPO (qui comprenaient des données d’élévation terrestre) ont été utilisées comme source bathymétrique. Les couches de l’Indice de position bathymétrique (IPB) ont été créées à l’aide de l’outil de modélisation du terrain benthique et ont été normalisées après avoir été calculées. Il est important de noter que lors du calcul de l’IPB, l’outil s’attend à ce que les données bathymétriques aient des valeurs négatives associées aux profondeurs plutôt que des valeurs positives. Couches de prédicteur : 1 : Bathymétrie 2 : Pente (dérivé bathymétrique) – degrés 3 : Écart-type de la pente (dérivé bathymétrique) 4 : Indice de position bathymétrique vaste (dérivé bathymétrique) – Rayon intérieur : 25 – Rayon extérieur : 250 5 : Indice de position bathymétrique moyen (dérivé bathymétrique) – Rayon intérieur : 10 – Rayon extérieur : 100 6 : Indice de position bathymétrique fin (dérivé bathymétrique) – Rayon intérieur : 3 – Rayon extérieur : 25 7 : Courbure (dérivé bathymétrique; pente de la pente) 8 : Rugosité (dérivé bathymétrique; rugosité arc-corde) 9 : Circulation 10 : Marée 11 : Fetch TIFF Unknown Joanne Lessard Government of Canada; Fisheries and Oceans Canada; Marine Spatial Ecology and Analytics Section (MSEA) Government of Canada; Fisheries and Oceans Canada; Section de l’écologie spatiale marine et de l’analyse (ESMA) Research Biologist Biologiste de recherche 250-729-8364 250-729-8364 Pacific Biological Station 3190 Hammond Bay Road La station biologique du Pacifique 3190 chemin Hammond Bay Nanaimo British Columbia Colombie-Britannique V9T 6N7 Canada Canada (le) Joanne.Lessard@dfo-mpo.gc.ca Joanne.Lessard@dfo-mpo.gc.ca http distributor; distributeur https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/b100cf6c-7818-4748-9960-9eab2aa6a7a0/attachments/substrate_20m_datapackage.zip HTTPS Shallow substrate model (20m) of the Pacific Canadian coast - Tiff Modèle de substrat peu profond (20m) de la côte canadienne du Pacifique - Tiff Dataset;TIFF;eng,fra Données;TIFF;eng,fra https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/b100cf6c-7818-4748-9960-9eab2aa6a7a0/attachments/References_EN_FR_Substrate_model_20m.pdf HTTPS References Références Supporting Document;PDF;eng,fra Document de soutien;PDF;eng,fra https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/b100cf6c-7818-4748-9960-9eab2aa6a7a0/attachments/Data_dictionary_EN_Substrate_model_20m.csv HTTPS Data Dictionary Dictionnaire de données Supporting Document;CSV;eng Document de soutien;CSV;eng https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/b100cf6c-7818-4748-9960-9eab2aa6a7a0/attachments/Dictionnaire_de_donnees_FR_Substrate_model_20m.csv HTTPS Data Dictionary Dictionnaire de données Supporting Document;CSV;fra Document de soutien;CSV;fra https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/b100cf6c-7818-4748-9960-9eab2aa6a7a0/attachments/GISHub_metadata_EN_Substrate_model_20m.pdf HTTPS Shallow substrate model (20m) of the Pacific Canadian coast - GIS Hub metadata Modèle de substrat peu profond (20m) de la côte canadienne du Pacifique - Métadonnées du portail SIG Supporting Document;PDF;eng Document de soutien;PDF;eng https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/b100cf6c-7818-4748-9960-9eab2aa6a7a0/attachments/GISHub_metadata_FR_Substrate_model_20m.pdf HTTPS Shallow substrate model (20m) of the Pacific Canadian coast - GIS Hub metadata Modèle de substrat peu profond (20m) de la côte canadienne du Pacifique - Métadonnées du portail SIG Supporting Document;PDF;fra Document de soutien;PDF;fra https://egisp.dfo-mpo.gc.ca/arcgis/rest/services/open_data_donnees_ouvertes/shallow_substrate_model_20m_pacific_canadian_coast/MapServer ESRI REST: Map Server Shallow substrate model (20m) of the Pacific Canadian coast Modèle de substrat peu profond (20m) de la côte canadienne du Pacifique Web Service;ESRI REST;eng Service Web;ESRI REST;eng https://egisp.dfo-mpo.gc.ca/arcgis/rest/services/open_data_donnees_ouvertes/shallow_substrate_model_20m_pacific_canadian_coast/MapServer ESRI REST: Map Server Shallow substrate model (20m) of the Pacific Canadian coast Modèle de substrat peu profond (20m) de la côte canadienne du Pacifique Web Service;ESRI REST;fra Service Web;ESRI REST;fra