Rapid Characterisation of Vegetation Structure to Predict Refugia and Climate Change Impacts across a Global Biodiversity Hotspot
Notice bibliographique
Résumé
Identification of refugia is an increasingly important adaptation strategy in conservation planning under rapid anthropogenic climate change. Granite outcrops (GOs) provide extraordinary diversity, including a wide range of taxa, vegetation types and habitats in the Southwest Australian Floristic Region (SWAFR). However, poor characterization of GOs limits the capacity of conservation planning for refugia under climate change. A novel means for the rapid identification of potential refugia is presented, based on the assessment of local-scale environment and vegetation structure in a wider region. This approach was tested on GOs across the SWAFR. Airborne discrete return Light Detection And Ranging (LiDAR) data and Red Green and Blue (RGB) imagery were acquired. Vertical vegetation profiles were used to derive 54 structural classes. Structural vegetation types were described in three areas for supervised classification of a further 13 GOs across the region. Habitat descriptions based on 494 vegetation plots on and around these GOs were used to quantify relationships between environmental variables, ground cover and canopy height. The vegetation surrounding GOs is strongly related to structural vegetation types (Kappa = 0.8) and to its spatial context. Water gaining sites around GOs are characterized by taller and denser vegetation in all areas. The strong relationship between rainfall, soil-depth, and vegetation structure (R(2) of 0.8-0.9) allowed comparisons of vegetation structure between current and future climate. Significant shifts in vegetation structural types were predicted and mapped for future climates. Water gaining areas below granite outcrops were identified as important putative refugia. A reduction in rainfall may be offset by the occurrence of deeper soil elsewhere on the outcrop. However, climate change interactions with fire and water table declines may render our conclusions conservative. The LiDAR-based mapping approach presented enables the integration of site-based biotic assessment with structural vegetation types for the rapid delineation and prioritization of key refugia.
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) | 0,002 | 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 ».