Characterizing Boreal Peatland Plant Composition and Species Diversity with Hyperspectral Remote Sensing
Notice bibliographique
Résumé
Peatlands, which account for approximately 15% of land surface across the arctic and boreal regions of the globe, are experiencing a range of ecological impacts as a result of climate change. Factors that include altered hydrology resulting from drought and permafrost thaw, rising temperatures, and elevated levels of atmospheric carbon dioxide have been shown to cause plant community compositional changes. Shifts in plant composition affect the productivity, species diversity, and carbon cycling of peatlands. We used hyperspectral remote sensing to characterize the response of boreal peatland plant composition and species diversity to warming, hydrologic change, and elevated CO2. Hyperspectral remote sensing techniques offer the ability to complete landscape-scale analyses of ecological responses to climate disturbance when paired with plot-level measurements that link ecosystem biophysical properties with spectral reflectance signatures. Working within two large ecosystem manipulation experiments, we examined climate controls on composition and diversity in two types of common boreal peatlands: a nutrient rich fen located at the Alaska Peatland Experiment (APEX) in central Alaska, and an ombrotrophic bog located in northern Minnesota at the Spruce and Peatland Responses Under Changing Environments (SPRUCE) experiment. We found a strong effect of plant functional cover on spectral reflectance characteristics. We also found a positive relationship between species diversity and spectral variation at the APEX field site, which is consistent with other recently published findings. Based on the results of our field study, we performed a supervised land cover classification analysis on an aerial hyperspectral dataset to map peatland plant functional types (PFTs) across an area encompassing a range of different plant communities. Our results underscore recent advances in the application of remote sensing measurements to ecological research, particularly in far northern 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».