Vegetation Growth Analysis of UNESCO World Heritage Hyrcanian Forests Using Multi-Sensor Optical Remote Sensing Data
Notice bibliographique
Résumé
Freely available satellite data at Google Earth Engine (GEE) cloud platform enables vegetation phenology analysis across different scales very efficiently. We evaluated seasonal and annual phenology of the old-growth Hyrcanian forests (HF) of northern Iran covering an area of ca. 1.9 million ha, and also focused on 15 UNESCO World Heritage Sites. We extracted bi-weekly MODIS-NDVI between 2017 and 2020 in GEE, which was used to identify the range of NDVI between two temporal stages. Then, changes in phenology and growth were analyzed by Sentinel 2-derived Temporal Normalized Phenology Index. We modelled between seasonal phenology and growth by additionally considering elevation, surface temperature, and monthly precipitation. Results indicated considerable difference in onset of forests along the longitudinal gradient of the HF. Faster growth was observed in low- and uplands of the western zone, whereas it was lower in both the mid-elevations and the western outskirts. Longitudinal range was a major driver of vegetation growth, to which environmental factors also differently but significantly contributed (p < 0.0001) along the west-east gradient. Our study developed at GEE provides a benchmark to examine the effects of environmental parameters on the vegetation growth of HF, which cover mountainous areas with partly no or limited accessibility.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».