Landscape‐scale forest disturbance regimes in southern Peruvian Amazonia
Notice bibliographique
Résumé
Landscape-scale gap-size frequency distributions in tropical forests are a poorly studied but key ecological variable. Currently, a scale gap currently exists between local-scale field-based studies and those employing regional-scale medium-resolution satellite data. Data at landscape scales but of fine resolution would, however, facilitate investigation into a range of ecological questions relating to gap dynamics. These include whether canopy disturbances captured in permanent sample plots (PSPs) are representative of those in their surrounding landscape, and whether disturbance regimes vary with forest type. Here, therefore, we employ airborne LiDAR data captured over 142.5 km2 of mature, swamp, and regenerating forests in southeast Peru to assess the landscape-scale disturbance at a sampling resolution of up to 2 m. We find that this landscape is characterized by large numbers of small gaps; large disturbance events are insignificant and infrequent. Of the total number of gaps that are 2 m2 or larger in area, just 0.45% were larger than 100 m2, with a power-law exponent (alpha) value of the gap-size frequency distribution of 2.22. However, differences in disturbance regimes are seen among different forest types, with a significant difference in the alpha value of the gap-size frequency distribution observed for the swamp/regenerating forests compared with the mature forests at higher elevations. Although a relatively small area of the total forest of this region was investigated here, this study presents an unprecedented assessment of this landscape with respect to its gap dynamics. This is particularly pertinent given the range of forest types present in the landscape and the differences observed. The coupling of detailed insights into forest properties and growth provided by PSPs with the broader statistics of disturbance events using remote sensing is recommended as a strong basis for scaling-up estimates of landscape and regional-scale carbon balance.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».