The Use of Remote Sensing to Enhance Biodiversity Monitoring and Detection: A Critical Challenge for the Twenty-First Century
Notice bibliographique
Résumé
Abstract Improved detection and monitoring of biodiversity is critical at a time when the Earth’s biodiversity loss due to human activities is accelerating at an unprecedented rate. We face the largest loss of biodiversity in human history, a loss which has been called the “sixth mass extinction” (Leakey 1996; Kolbert 2014), given that its magnitude is in proportion to past extinction episodes in Earth history detectable from the fossil record. International efforts to conserve biodiversity (United Nations 2011) and to develop an assessment process to document changes in the status and trends of biodiversity globally through the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (Díaz et al. 2015) have raised awareness about the critical need for continuous monitoring of biodiversity at multiple spatial scales across the globe. Biodiversity itself—the variation in life found among ecosystems and organisms at any level of biological organization—cannot practically be observed everywhere. However, if habitats, functional traits, trait diversity, and the spatial turnover of plant functions can be remotely sensed, the potential exists to globally inventory the diversity of habitats and traits associated with terrestrial biodiversity. To face this challenge, there have been recent calls for a global biodiversity monitoring system (Jetz et al. 2016; Proença et al. 2017; The National Academy of Sciences 2017). A central theme of this volume is that remote sensing (RS) will play a key role in such a system.
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 | 0,001 | 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 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 ».