Modeling and Mapping Forest Floor Distributions of Common Bryophytes Using a LiDAR-Derived Depth-to-Water Index
Notice bibliographique
Résumé
This article describes how the cartographic depth-to-water (DTW) index in combination with other variables can be used to quantify, model and map the distribution of common forest floor bryophytes, at 1 m resolution. This was done by way of a case study, using 12 terrain and climate representative locations across New Brunswick, Canada. The presence/absence by moss species was determined at each location along upland-to-wetland transects within >10-m spaced 1-m2 forest floor plots. It was found that Bazzania trilobata, Dicranum polysetum, Polytrichum commune, Hylocomium splendens, and Pleurozium schreberi had greater probabilities of occurrence in well-drained forested areas, whereas Sphagnum fuscum and Sphagnum girgensohnii dominated in low-lying wet areas. The presence/absence of each species was quantified by way of logistic regression analyses, using DTW, slope, canopy closure, forest litter depth, ecosite type (8 classes), nutrient regime (4 classes, poor to rich); vegetation type (deciduous, coniferous, mixed, and shrubs), and macro- and micro-topography (upland, wetland; mounds, pits) as predictor variables. Among these, log10DTW and forest litter depth were the most consistent predictor variables, followed by mound versus pit. For the mapping purpose, only log10DTW and already mapped classifications for upland versus wetland and vegetation type were used to predict the probability of occurrences for the most frequent moss species, namely, D. polysetum, P. schreberi and Sphagnum spp. The overall accuracy for doing this ranged from 67% to 83%, with false positives and negatives amounting to 18% to 42%. The overall classification accuracy exceeded the probability by chance alone at 76.8%, with the significance level reached at 75.3%. The average level of probability by chance alone was 60.3%.
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 | 0,001 | 0,001 |
| 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 ».