Notice bibliographique
Résumé
The GIMMS NDVI dataset has been widely used to document a 'browning trend' in North American boreal forests (Goetz et al 2005, Bunn et al 2007, Beck and Goetz 2011). However, there has been speculation (Alcaraz-Segura et al 2010) that this trend may be an artifact due to processing algorithms rather than an actual decline in vegetation activity. This conclusion was based primarily on the fact that GIMMS NDVI did not capture NDVI recovery within most burned areas in boreal Canada, while another dataset consistently showed post-fire increasing NDVI. I believe that the results of Alcaraz-Segura et al (2010) were due simply to different pixel sizes of the two datasets (64 km2 versus 1 km2 pixels). Similar results have been obtained from tundra areas greening in Alaska, with the results simply due to these pixel size differences (Stow et al 2007). Furthermore, recent studies have documented boreal browning trends based on NDVI from other sensors. Beck and Goetz (2011) have shown the boreal browning trend derived from a different sensor (MODIS) to be very similar to the boreal browning trend derived from the GIMMS NDVI dataset for the circumpolar boreal region. Parent and Verbyla (2010) found similar declining NDVI patterns based on NDVI from Landsat sensors and GIMMS NDVI in boreal Alaska. Zhang et al (2008) found a similar 'browning trend' in boreal North America based on a production efficiency model using an integrated AVHRR and MODIS dataset.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».