A remote sensing approach to biodiversity assessment and regionalization of the Canadian boreal forest
Notice bibliographique
Résumé
Successful conservation planning for the Canadian boreal forest requires biodiversity data that are both accessible and reliable. Spatially exhaustive data is required to inform on conditions, trends and context, with context enabling consideration of conservation opportunities and related trade-offs. However, conventional methods for measuring biodiversity, while useful, are spatially constrained, making it difficult to apply over wide geographic regions. Increasingly, remotely sensed imagery and methods are seen as a viable approach for acquiring explicit, repeatable and multi-scale biodiversity data over large areas. To identify relevant remotely derived environmental indicators specific to biodiversity within the Canadian boreal forest, we assessed indicators of the physical environment such as seasonal snow cover, topography and vegetation production. Specifically, we determined if the indicators provided distinct information and whether they were useful predictors of species richness (tree, mammal, bird and butterfly species). Using cluster analysis, we also assessed the applicability of these indicators for broad ecosystem classification of the Canadian boreal forest and the subsequent attribution of these stratified regions (i.e. clusters). Our results reveal that the indicators used in the cluster creation provided unique information and explained much of the variance in tree (92.6%), bird (84.07%), butterfly (61.4%) and mammal (22.6%) species richness. Spring snow cover explained the most variance in species richness. Results further show that the 15 clusters produced using cluster analysis were principally stratified along a latitudinal gradient and, while varied in size, captured a range of different environmental conditions across the Canadian boreal forest. The most important indicators for discriminating between the different cluster groups were seasonal greenness, a multipart measure of climate, topography and land use, and wetland cover, a measure of the percentage of wetland within a 1 km 2 cell.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 | 0,000 |
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 ».