A Step-by-Step Guide to Initialize and Calibrate Landscape Models: A Case Study in the Mediterranean Mountains
Notice bibliographique
Résumé
The use of spatially interactive forest landscape models has increased in recent years. These models are valuable tools to assess our knowledge about the functioning and provisioning of ecosystems as well as essential allies when predicting future changes. However, developing the necessary inputs and preparing them for research studies require substantial initial investments in terms of time. Although model initialization and calibration often take the largest amount of modelers’ efforts, such processes are rarely reported thoroughly in application studies. Our study documents the process of calibrating and setting up an ecophysiologically based forest landscape model (LANDIS-II with PnET-Succession) in a biogeographical region where such a model has never been applied to date (southwestern Mediterranean mountains in Europe). We describe the methodological process necessary to produce the required spatial inputs expressing initial vegetation and site conditions. We test model behaviour on single-cell simulations and calibrate species parameters using local biomass estimations and literature information. Finally, we test how different initialization data—with and without shrub communities—influence the simulation of forest dynamics by applying the calibrated model at landscape level. Combination of plot-level data with vegetation maps allowed us to generate a detailed map of initial tree and shrub communities. Single-cell simulations revealed that the model was able to reproduce realistic biomass estimates and competitive effects for different forest types included in the landscape, as well as plausible monthly growth patterns of species growing in Mediterranean mountains. Our results highlight the importance of considering shrub communities in forest landscape models, as they influence the temporal dynamics of tree species. Besides, our results show that, in the absence of natural disturbances, harvesting or climate change, landscape-level simulations projected a general increase of biomass of several species over the next decades but with distinct spatio-temporal patterns due to competitive effects and landscape heterogeneity. Providing a step-by-step workflow to initialize and calibrate a forest landscape model, our study encourages new users to use such tools in forestry and climate change applications. Thus, we advocate for documenting initialization processes in a transparent and reproducible manner in forest landscape modelling.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».