Debating the greening vs. browning of the North American boreal forest: differences between satellite datasets
Notice bibliographique
Résumé
Abstract A number of remote sensing studies have evaluated the temporal trends of the normalized difference vegetation index (NDVI or vegetation greenness) in the North American boreal forest during the last two decades, often getting quite different results. To examine the effect that the use of different datasets might be having on the estimated trends, we compared the temporal trends of recently burned and unburned sites of boreal forest in central Canada calculated from two datasets: the Global Inventory, Monitoring, and Modeling Studies (GIMMS), which is the most commonly used 8 km dataset, and a new 1 km dataset developed by the Canadian Centre for Remote Sensing (CCRS). We compared the NDVI trends of both datasets along a fire severity gradient in order to evaluate the variance in regeneration rates. Temporal trends were calculated using the seasonal Mann–Kendall trend test, a rank‐based, nonparametric test, which is robust against seasonality, nonnormality, heteroscedasticity, missing values, and serial dependence. The results showed contrasting NDVI trends between the CCRS and the GIMMS datasets. The CCRS dataset showed NDVI increases in all recently burned sites and in 50% of the unburned sites. Surprisingly, the GIMMS dataset did not capture the NDVI recovery in most burned sites and even showed NDVI declines in some burned sites one decade after fire. Between 50% and 75% of GIMMS pixels showed NDVI decreases in the unburned forest compared with <1% of CCRS pixels. Being the most broadly used dataset for monitoring ecosystem and carbon balance changes, the bias towards negative trends in the GIMMS dataset in the North American boreal forest has broad implications for the evaluation of vegetation and carbon dynamics in this region and globally.
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 | 0,000 | 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 | 0,001 | 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 ».