Characterizing a Decade of Disturbance Events Using Landsat and MODIS Satellite Imagery in Western Alberta, Canada for Grizzly Bear Management
Notice bibliographique
Résumé
Mapping and quantifying the area and type of disturbance within forests is critical for sustainable forest management. Grizzly bear (Ursus arctos) have large home ranges and diverse habitat needs and as a result, information on the extent, type, and timing of disturbances is important. In this research we apply a remote-sensing-based disturbance mapping technique to the southeastern extent of a grizzly bear range. We apply a data fusion approach with MODIS 250 m and Landsat 30 m spatial resolution imagery to map disturbances biweekly from 2001–2011. A regression tree classifier was applied to classify the disturbance events based on spatial and temporal characteristics. Fire was attributed as a disturbance based on a national fire database. Results indicate that across the 130,727 km2 study area, 4,603 km2 of forest were disturbed over the past decade (2001–2011), impacting 0.35% of the study area annually. Overall, 68.7% of the disturbance events were attributed to forest harvest, followed by well sites 13.4%, fires 9.3% and road development, 8.6%. Primary source habitat contained 3.8% of disturbed land, and primary sink areas had 5.9% disturbed land. Our findings quantify habitat change, which can aid managers by identifying significant areas for grizzly bear conservation.
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 | 0,000 | 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 | 0,000 |
| 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 tête enseignante, 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 ».