Spatial patterns of logging-related disturbance events: a multi-scale analysis on forest management units located in the Brazilian Amazon
Notice bibliographique
Résumé
Abstract Context Selective logging has been commonly mapped using binary maps, representing logged and unlogged forests. However, binary maps may fall short regarding the optimum representation of this type of disturbance, as tree harvest in tropical forests can be highly heterogeneous. Objectives The objective of this study is to map forest disturbance intensities in areas of selective logging located in the Brazilian Amazon. Methods Selective logging activities were mapped in ten forest management units using Sentinel-2 data at 10 m resolution. A spatial pattern analysis was applied to the logging map, using a moving window approach with different window sizes. Two landscape metrics were used to derive a forest disturbance intensity map. This map was then compared with actual disturbances using field data and a post-harvest forest recovery analysis. Results Disturbed areas were grouped into five distinct disturbance intensity classes, from very low to very high. Classes high and very high were found to be related to log landings and large felling gaps, while very low intensities were mainly related to isolated disturbance types. The post-harvest forest recovery analysis showed that the five classes can be clearly distinguished from one another, with the clearest differences in the year of logging and one year after it. Conclusions The approach described represents an important step towards a better mapping of selectively logged areas, when compared to the use of binary maps. The disturbance intensity classes could be used as indicators for forest monitoring as well as for further evaluation of areas under forest management.
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 | 0,001 |
| 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) | 0,001 | 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 ».