A Systematic Review on the Integration of Remote Sensing and GIS to Forest and Grassland Ecosystem Health Attributes, Indicators, and Measures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is important to protect forest and grassland ecosystems because they are ecologically rich and provide numerous ecosystem services. Upscaling monitoring from local to global scale is imperative in reaching this goal. The SDG Agenda does not include indicators that directly quantify ecosystem health. Remote sensing and Geographic Information Systems (GIS) can bridge the gap for large-scale ecosystem health assessment. We systematically reviewed field-based and remote-based measures of ecosystem health for forests and grasslands, identified the most important ones and provided an overview on remote sensing and GIS-based measures. We included 163 English language studies within terrestrial non-tropical biomes and used a pre-defined classification system to extract ecological stressors and attributes, collected corresponding indicators, measures, and proxy values. We found that the main ecological attributes of each ecosystem contribute differently in the literature, and that almost half of the examined studies used remote sensing to estimate indicators. The major stressor for forests was “climate change”, followed by “insect infestation”; for grasslands it was “grazing”, followed by “climate change”. “Biotic interactions, composition, and structure” was the most important ecological attribute for both ecosystems. “Fire disturbance” was the second most important for forests, while for grasslands it was “soil chemistry and structure”. Less than a fifth of studies used vegetation indices; NDVI was the most common. There are monitoring inconsistencies from the broad range of indicators and measures. Therefore, we recommend a standardized field, GIS, and remote sensing-based approach to monitor ecosystem health and integrity and facilitate land managers and policy-makers.
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.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle