Global Spatial–Temporal Variability in Terrestrial Productivity and Phenology Regimes between 2000 and 2012
Notice bibliographique
Résumé
The productivity and phenology of vegetation are spatially and temporally variable ecosystem functions. Monitoring spatial–temporal patterns in these functions can improve our understanding of global change and natural ecosystem variability and inform management actions. Researchers typically focus on temporal changes within or among static regions and omit dynamics of spatial configuration. Our goal was to assess global spatial–temporal variability in productivity and phenology regimes between 2000 and 2012 using a temporally dynamic functional type classification. Fourteen functional types were defined for each year by clustering the annual sum and annual variability (seasonality) of the fraction of photosynthetically active radiation (fPAR)—a biophysical proxy for vegetation greenness or productivity—from the Moderate Resolution Imaging Spectrometer (MODIS). The fourteen functional types ranged from tundra (low cumulative fPAR and highly seasonal) to tropical forests (high cumulative fPAR and low seasonality). Variability in the mean of the fPAR metrics and in two spatial pattern metrics was assessed for each functional type. Many pixels changed from one cluster to another then back again, suggesting considerable short-term variability. Temporal variability in the mean of the fPAR metrics was relatively low, with changes instead primarily manifested in spatial pattern. Spatial pattern was most variable within tundra, grasslands, shrublands, and savannas. A dynamic classification demonstrated the variability in spatial patterns of primary productivity and can be used for future monitoring.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».