Attributing changes in land cover using independent disturbance datasets: a case study of the Yucatan Peninsula, Mexico
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Detailed observations of natural and anthropogenic disturbance events that impact forest structure and the distribution of carbon are essential to estimate changes in terrestrial carbon pools and the associated emissions and removals of greenhouse gasses. Recent advances in remote sensing approaches have resulted in annual and decadal estimates of land-cover change derived from observations using broad-scale moderate resolution imaging spectroradiometer (MODIS) 250 m–1 km imagery. These land-use change estimates, however, are often not attributed directly to a cause or activity and are not well validated, especially in tropical areas. Knowledge of the type of disturbance that caused the observed land-cover changes is important, however, for the quantification of the associated impacts on ecosystem carbon stocks and fluxes. In this paper, we provide estimates of the amount of forest land-cover change in a Mexican forested region and propose an approach for attributing the cause of the observed changes to the underlying disturbance driver. To do so, we collate geospatial and remote sensing data from a variety of sources to summarize statistics about the major disturbances within the Yucatan Peninsula, an “early action” region for the reduction of emissions from deforestation and degradation, from 2005 to 2010. We combine the datasets to develop rules to estimate the likely disturbances that caused the observed land-cover changes based on their spatially explicit location. Finally, we compare our observed disturbance rates to those detected using classified land-cover data derived from MODIS.
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.
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 | 0,001 |
| 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 découle