Aboveground biomass patterns across treeless northern landscapes
Notice bibliographique
Résumé
Aboveground vegetation biomass in northern treeless landscapes - peatlands and Arctic tundra - has been modelled with spectral information derived from optical remote sensing in several studies. However, synthesized overviews of biomass patterns across circumpolar sites have been limited. Based on data from eight study sites in Europe, Siberia and Canada, we ask (1) how biomass is divided between plant functional types (PFTs) and (2) how well biomass patterns can be detected with widely available, moderate spatial resolution (3-10 m) satellite imagery and topographic data. We explain biomass patterns using random forest regressions with the predictors being spectral bands and indices calculated from multi-temporal Sentinel-2 and PlanetScope imagery and topographic information calculated from ArcticDEM data. Our results indicate that there are notable differences in vegetation composition between northern landscapes with mosses, graminoids and deciduous shrubs being the most dominant PFTs. Remote sensing data detects biomass patterns, but regression performance varies between sites (explained variance 36-70%, normalized root mean square error 9-19%). There is also variability between sites whether Sentinel-2 or PlanetScope data is more suitable to detect biomass patterns and which the most important predictors are. Topographic information has a minor or negligible importance in most of the sites. Our results suggest that there is no easily generalizable relationship between satellite-derived vegetation greenness and biomass.
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) | 0,001 | 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 ».