Drone data reveal heterogeneity in tundra greenness and phenology not captured by satellites
Notice bibliographique
Résumé
Data across scales are required to monitor ecosystem responses to rapid warming in the Arctic and to interpret tundra greening trends.Here, we tested the correspondence among satellite-and drone-derived seasonal change in tundra greenness to identify optimal spatial scales for vegetation monitoring on Qikiqtaruk-Herschel Island in the Yukon Territory, Canada.We combined time-series of the Normalised Difference Vegetation Index (NDVI) from multispectral drone imagery and satellite data (Sentinel-2, Landsat 8 and MODIS) with ground-based observations for two growing seasons (2016 and 2017).We found high cross-season correspondence in plot mean greenness (drone-satellite Spearman's 0.67-0.87)and pixel-by-pixel greenness (drone-satellite R 2 0.58-0.69)for eight one-hectare plots, with drones capturing lower NDVI values relative to the satellites.We identified a plateau in the spatial variation of tundra greenness at distances of around half a metre in the plots, suggesting that these grain sizes are optimal for monitoring such variation in the two most common vegetation types on the island.We further observed a notable loss of seasonal variation in the spatial heterogeneity of landscape greenness (46.2%-63.9%)when aggregating from ultra-fine-grain drone pixels (approx.0.05 m) to the size of medium-grain satellite pixels (10-30 m).Finally, seasonal changes in drone-derived greenness were highly correlated with measurements of leaf-growth in the ground-validation plots (mean Spearman's 0.70).These findings indicate that multispectral drone measurements can capture temporal plant growth dynamics across tundra landscapes.Overall, our results demonstrate that novel technologies such as drone platforms and compact multispectral sensors allow us to study ecological systems at previously inaccessible scales and fill gaps in our understanding of tundra ecosystem processes.Capturing fine-scale variation across tundra landscapes will improve predictions of the ecological impacts and climate feedbacks of environmental change in the Arctic.
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 | 0,000 | 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) | 0,002 | 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 ».