Evidence of vegetation greening at alpine treeline ecotones: three decades of Landsat spectral trends informed by lidar-derived vertical structure
Notice bibliographique
Résumé
Monitoring changes in vegetation at high-latitude and alpine treeline ecotones is critical for characterizing changes to carbon and energy budgets, plant species richness, and habitat suitability and is often considered a bellwether of a changing climate. Herein, we used transects of airborne laser scanning (ALS) data to identify alpine treeline ecotones in the Yukon Territory of Canada, and assessed changes in vegetation greenness using a time-series of Landsat imagery over a 30 year period from 1985 to 2015. Specifically, we calculated the enhanced vegetation index (EVI) from annual Landsat composites and assessed temporal trends within 500 m of detected forest-lines (i.e., transition point from continuous forest into treeline ecotones) using Theil–Sen’s nonparametric regression. Across 74 detected treeline ecotones, 27.5% of Landsat pixels displayed a significant positive trend in EVI and 5.6% of pixels displayed a significant negative trend ( p < 0.05). By using ALS data to determine vegetation structural class, we found that non-treed pixels had the highest percentage of significant positive trends in vegetation greenness (40.8%), followed by shrubs (30.5%), with lower percentages in sparse forests (18.9%) and open/dense forests (13.3%). These results suggest herbaceous and shrub vegetation types are undergoing the most significant changes in greenness, likely due to increases in shrub cover and herbaceous biomass in areas associated with these alpine treeline ecotones. The limited increases in EVI in forests likely indicates that vegetation cover is changing less rapidly in forests than in shrub and herbaceous vegetation types. Moreover, EVI may not be capturing increased height growth in forests near the treeline. Combining ALS data and Landsat time-series data provides a useful approach to locate and characterize alpine treeline ecotones, and enables the direct assessment of which vegetation structural classes are experiencing the greatest greening trends, thereby providing new insights to ecosystem change.
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 | 0,002 |
| 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) | 0,001 | 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 ».