Predicting non-inventoried forest elements using forest inventory data: The case of winter forage for woodland caribou
Notice bibliographique
Résumé
Growing development pressures and expectations that forest managers provide future wildlife habitat require better understanding of species' habitat needs, particularly food, cover, and space requirements, and an ability to spatially depict these needs. In forest management in Canada, the primary data used to identify and quantify wildlife habitat reside in remotely sensed forest resource inventories (FRI) that were originally developed to assess timber values for merchantable tree species. Although FRI- and field-based sampling do not always show strong agreement, research has shown that FRI can be informative for wildlife habitat assessments. However, much uncertainty remains when investigating forest characteristics that are not visible to the interpreters, such as sub-canopy features. Here, we used 152 plots in northwestern Ontario to compare the ability of field-based and remotely sensed forest inventories to predict Cladonia lichen cover, a primary winter food source for woodland caribou. The best model for field-based data, which included percentage of jack pine and black spruce in the tree canopy, tree height, stand age, soil moisture, and stem density, correctly predicted 92% of cases where Cladonia spp. were absent (n = 107 plots) and 62% of cases where they were present (i.e., cover >1%; n = 45 plots). FRI performed poorly by contrast, with corresponding percentages of 96 and 19%. FRI provide weak data support for differentiating winter forage availability for woodland caribou, an important habitat factor at the stand level. These findings have important implications for predictions of herd productivity, and suggest that improved remote-sensing capabilities are required in order to assess woodland caribou winter habitat.
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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».