Remote Sensing Time Series for Modeling Invasive Species Distribution: A Case Study of Tamarix spp. in the US and Mexico
Notice bibliographique
Résumé
Detecting invasive species and predicting their potential distribution are crucial \nto coordinate management responses. Remote sensing data are now available in several \nspatial and temporal resolutions and can supply environmental models with additional \ninformation. This study uses the Maximum Entropy algorithm to model the current \ndistribution of the saltcedar (Tamarix spp.) in the US and Mexico and to identify suitable \nhabitats, both already inhabited and not yet occupied. Tamarisk is restricted to specific \nhabitats such as riparian zones, wetlands and agricultural or disturbed areas, which are \ntypically not only characterized by climate. To describe vegetation phenology and thermal \nseasonality in these habitats, the study uses annual metrics of remotely sensed time series \nfrom 2001 to 2008 (Terra-MODIS Enhanced Vegetation Index and Land Surface \nTemperature) together with WorldClim bioclimatic data. By using occurrence records \nprimarily from the US we were able to model predictive maps of tamarisk distribution \ncorrelating very well to the known distribution in the US. For Mexico, where only very few \noccurrence records exist, we identified potential tamarisk habitats for substantial areas in \nBaja California, in the states of Sonora and Sinaloa and in the Central Mexican Plateau. \nThese predictive model results can be used to support the early detection and prevention of \nTamarix spp. invasion.
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 | 0,000 | 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 ».