Multiscale mapping of plant functional groups and plant traits in the High Arctic using field spectroscopy, UAV imagery and Sentinel-2A data
Notice bibliographique
Résumé
Abstract The Arctic is warming twice as fast as the rest of the planet, leading to rapid changes in species composition and plant functional trait variation. Landscape-level maps of vegetation composition and trait distributions are required to expand spatially-limited plot studies, overcome sampling biases associated with the most accessible research areas, and create baselines from which to monitor environmental change. Unmanned aerial vehicles (UAVs) have emerged as a low-cost method to generate high-resolution imagery and bridge the gap between fine-scale field studies and lower resolution satellite analyses. Here we used field spectroscopy data (400–2500 nm) and UAV multispectral imagery to test spectral methods of species identification and plant water and chemistry retrieval near Longyearbyen, Svalbard. Using the field spectroscopy data and Random Forest analysis, we were able to distinguish eight common High Arctic plant tundra species with 74% accuracy. Using partial least squares regression (PLSR), we were able to predict corresponding water, nitrogen, phosphorus and C:N values ( r 2 = 0.61–0.88, RMSEmean = 12%–64%). We developed analogous models using UAV imagery (five bands: Blue, Green, Red, Red Edge and Near-Infrared) and scaled up the results across a 450 m long nutrient gradient located underneath a seabird colony. At the UAV level, we were able to map three plant functional groups (mosses, graminoids and dwarf shrubs) at 72% accuracy and generate maps of plant chemistry. Our maps show a clear marine-derived fertility gradient, mediated by geomorphology. We used the UAV results to explore two methods of upscaling plant water content to the wider landscape using Sentinel-2A imagery. Our results are pertinent for high resolution, low-cost mapping of 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 | 0,001 | 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 ».