MétaCan
Menu
Retour à la cohorte
Enregistrement W3015201190 · doi:10.1038/s41598-020-62878-z

Uncovering spatial and ecological variability in gap size frequency distributions in the Canadian boreal forest

2020· article· en· W3015201190 sur OpenAlexafffundabout
Tristan R.H. Goodbody, Piotr Tompalski, Nicholas C. Coops, Joanne C. White, Michael A. Wulder, Marco Sanelli

Notice bibliographique

RevueScientific Reports · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensNatural Resources CanadaCanadian Forest ServiceUniversity of British Columbia
Organismes subventionnairesCanadian Forest ServiceCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of CanadaNatural Resources CanadaCanadian Space AgencyNatural Sciences and Engineering Research Council of CanadaU.S. Forest ServiceGovernment of AlbertaUniversity of Lethbridge
Mots-clésTaigaTransectEnvironmental scienceBorealRange (aeronautics)EcologyCanopySpatial ecologyPhysical geographyAtmospheric sciencesGeographyGeologyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Analyses characterizing canopy gaps are required to improve our understanding of spatial and structural variations in forest canopies and provide insight into ecosystem-level successional processes. Gap size frequency distributions (GSFD) are indicative of ecological processes and disturbance patterns. To date, GSFD in boreal forest ecosystems have not been systematically quantified over large areas using a single consistent data source. Herein we characterized GSFDs across the entirety of the Canadian boreal forest using transects of airborne laser scanning (ALS) data. ALS transects were representatively sampled within eight distinct Canadian boreal ecozones. Gaps were detected and delineated from the ALS-derived canopy height model as contiguous canopy openings ≥8 m 2 with canopy heights ≤3 m. Gaps were then stratified by ecozone and forest type (i.e. coniferous, broadleaf, mixedwood, wetland-treed), and combinations thereof, and GSFDs were calculated for each stratum. GSFDs were characterized by the scaling parameter of the power-law probability distribution, lambda (λ) and Kolmogorov-Smirnov tests confirmed that GSFDs for each stratum followed a power-law distribution. Pairwise comparisons between ecozones, forest types, and combinations thereof indicated significant differences between estimates of λ. Scaling parameters were found to be more variable by ecozone (1.96–2.31) than by forest type (2.15–2.21). These results contrast those of similar studies done in tropical forest environments, whereby λ was found to be relatively consistent across a range of site types, geological substrates, and forest types. The geographic range considered herein is much larger than that of previous studies, and broad-scale patterns in climate, landforms, and soils that are reflected in the definition of unique ecozones, likely also influence gap characteristics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,557
Score d'incertitude au seuil0,688

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,224
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations57
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207