Phenology and vegetation change measurements from true colour digital photography in high Arctic tundra
Notice bibliographique
Résumé
Manual collection of accurate phenology data is time-consuming and expensive. In this study, we investigate whether repeat colour digital photography can be used (1) to identify phenological patterns, (2) to identify differences in vegetation due to experimental warming and site moisture conditions, and (3) as a proxy for biomass. Pixel values (RGB) were extracted from images taken of permanent plots in long-term warming experiments in three tundra communities at a high Arctic site during one growing season. The Greenness Excess Index (GEI) was calculated from image data at the plot scale (1 × 1 m) as well as for two species, Dryas integrifolia and Salix arctica. GEI values were then compared to corresponding field-based phenology observations. GEI and Normalized Difference Vegetation Index (NDVI) values from a paired set of true colour and infrared images were compared with biomass data. The GEI values followed seasonal phenology at the plot and species scale and correlated well with standardized observations. GEI correlated well with biomass and was able to detect quantitative differences between warmed and control plots and the differences between communities due to site-specific moisture conditions. We conclude that true colour images can be used effectively to monitor phenology and biomass in high Arctic tundra. The simplicity and affordability of the photographic method represents an opportunity to expand observations in tundra ecosystems.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».