Quantifying productivity at landscape scale using remotely-sensed foliar traits and canopy structure
Notice bibliographique
Résumé
Abstract Forests are integral to global carbon cycling but are threatened by anthropogenic degradation and climate change. Assessing this global threat has been hindered by a lack of clear, flexible, and easy-to-use productivity models along with a lack of functional trait and productivity data for parameterizing and testing those models. Current productivity models are either extremely complex requiring up to hundreds of parameters, many sub-models, and considerable computational expense or rely on statistical trait-growth relationships that can be hard to extrapolate to new systems or climates. Here we provide a simple alternative: a remote sensing canopy functional model (RS-CFM) that uses remotely-sensed foliar traits and canopy structure data to efficiently map productivity at high-resolution and large spatial scales. We test this model by quantifying net primary productivity (NPP) at 0.01-ha resolution in 30,040 hectares of Peruvian tropical rainforest along a 3,322-m Amazon-to-Andes elevation gradient. Our model predicts local NPP and elevational shifts in NPP much more accurately and in greater detail than a prominent alternative method—NASA’s MODIS NPP product. Furthermore, we show how NPP estimates depend on light competition and identify the appropriate spatial resolution for remote productivity estimation. Our framework opens up possibilities to fully harness remote sensing data and reliably scale up from traits to map regional or global productivity in a more direct, efficient, and cost-effective manner.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».