A new temporal prediction method of grazing pressure based on normalized difference vegetation index and precipitation using nonlinear autoregressive with exogenous input networks
Notice bibliographique
Résumé
Abstract Restoration of natural vegetation in arid and semi‐arid grasslands is facing severe challenges. The vegetation is easy to lose their vitality, resulting in the loss of the cover in natural grasslands under the high grazing pressure. To address this situation, this paper proposes a novel method for accurately predicting the grazing pressure using the nonlinear autoregressive with exogenous input (NARX) network based on the remote sensing data of normalized difference vegetation index (NDVI) and precipitation. The proposed method uses the NARX networks to predict the temporal variations of the NDVI with respect to the precipitation. The grazing pressure can be thus calculated using the predicted values of the NDVI. For practical application, this study investigated an arid and semi‐arid grassland with heavy grazing pressure in Hulunbuir, China. The results demonstrate that the proposed method can provide an accurate prediction of the grazing pressure (mean absolute error 0.103, root‐mean‐square error 0.122, mean absolute percentage error 8.36% and coefficient of determination 0.899 at the confidence interval of 95%). In addition, the predicted values of the grazing pressure in the study area during the years from 2016 to 2020 can be obtained using the proposed method. The proposed method can obtain a good prediction of the grazing pressure, which can be further used as a guidance for the rangeland managers to reduce the occurrence of the overgrazing.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».