The accuracy of land cover-based wetland assessments is influenced by landscape extent
Notice bibliographique
Résumé
Widespread degradation of wetlands has motivated the development of tools to evaluate wetland condition. The application of field-based tools over large regions can be prohibitively expensive; however, land cover data may provide a surrogate for intensive assessments, enabling rapid and cost-effective evaluation of wetlands throughout whole regions. Our goal was to determine if land cover data could be used to estimate the biotic integrity of wetlands in Alberta’s Beaverhills watershed. Biotic integrity was measured using both plant- and bird-based indices of biotic integrity (IBIs) in 45 wetlands. Land cover data were extracted from seven nested landscape extents (100–3,000 m radii) and used to model IBI scores. Strong, significant predictions of IBI scores were achieved using land cover data from every spatial extent, even after factoring out the influence of location to address the spatial autocorrelation of land cover classes. Plant-based IBI scores were best predicted using data from 100 m buffers and bird-based IBI scores were best predicted using data extracted from 500 m buffers. Road cover or density and measures of the proportion of disturbed land were consistent predictors of IBI score, suggesting their universal importance to plant and bird communities. Simplified models using the proportion of undisturbed land were less accurate than more detailed models (reductions in r 2 of 0.31–0.32). Regardless of the level of detail in land cover classification, our results emphasize the need to optimize landscape extent for the taxonomic group of interest: an issue that is typically poorly articulated in studies reporting on the development of GIS-based assessment methods. Our results also highlight the need to calibrate models in test areas before scaling up, to ensure predictive accuracy.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».