Vegetation phenology can be captured with digital repeat photography and linked to variability of root nutrition in<i><scp>H</scp>edysarum alpinum</i>
Notice bibliographique
Résumé
Abstract Question Can repeat (time‐lapse) photography be used to detect the phenological development of a forest stand, and linked to temporal patterns in root nutrition forHedysarum alpinum(alpine sweetvetch) an important grizzly bear food species? Location Eastern foothills and front ranges of theRockyMountains inAlberta,Canada. The area contains a diverse mix of mature and young forest, wetlands and alpine habitats. Methods We deployed six automated cameras at three locations to acquire daily photographs at the plant and forest stand scales. Plot locations were also visited on a bi‐weekly basis to record the phenological stage ofH. alpinumand other target plant species, as well as to collect a root sample for determination of crude protein content. Results Repeat photography and image analysis successfully detected all key phenological events (i.e. green‐up, flowering, senescence). Given the relation between phenology and root nutrition, we illustrate how camera data can be used to predict the spatial and temporal distribution and quality of a key wildlife resource. Conclusions Repeat photography provides a cost‐effective method for monitoring vegetation development, food availability, and nutritional quality at a forest stand scale. Since wildlife responds to the availability and quality of their food resources, detailed information on changes in resource availability helps with land‐use management decisions and furthers our understanding of grizzly bear feeding ecology and habitat selection.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».