Spatial patterns of tree and shrub biomass in a deciduous forest using leaf-off and leaf-on lidar
Notice bibliographique
Résumé
Understanding patterns of aboveground carbon storage across forest types is increasingly important as managers adapt to threats of global change. We combined field measures of aboveground biomass with lidar to model fine-scale biomass in deciduous forests located in two watersheds; one watershed was underlain by sandstone and the other by shale. We measured tree and shrub biomass across three topographic positions for both watersheds and analyzed biomass using mixed models. The watershed underlain by shale had 60% more aboveground biomass than the sandstone watershed. Although spatial patterns of biomass were different across watersheds, both had higher (between about 40% and 55%) biomass values at the toe-slope position than at the ridge-top position. To model fine-scale spatial patterns of biomass, we tested the effectiveness of leaf-on and leaf-off lidar combined with topographic metrics to develop a spatially explicit random forest model of tree and shrub biomass across both watersheds. Leaf-on variables were more important for modeling shrub biomass, while leaf-off variables were more effective at modeling tree biomass. Our model of tree and shrub biomass reflects the distribution of biomass across both watersheds at a fine scale and highlights the potential of abiotic factors such as topography and bedrock to affect carbon storage.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».