Climate, land cover and topography: essential ingredients in predicting wetland permanence
Notice bibliographique
Résumé
Abstract. Wetlands in the Prairie Pothole Region (PPR) are forecast to retract in their ranges due to climate change, and potholes that typically contain ponded water year-round, which support a larger proportion of biological communities, are most sensitive to climate change. In addition to climate, land use activities and topography also influence ponded water amounts in PPR wetlands. However, topography is not typically included in models forecasting the impacts of climate change on PPR wetlands. Using a combination of variables representing climate, land cover/land use and topography, we predicted wetland permanence class in the southern Boreal Forest, Parkland and Grassland natural regions of the Alberta PPR (N = 40 000 wetlands). We show that while climate and land cover/land use were strong predictors of wetland permanence class, topography was as important, especially in the southern Boreal Forest and Parkland natural regions. Our misclassification error rates for the gradient boosting models for each natural region were relatively high (43–60) though our learning rates were low (< 0.1) and our maximum tree depths shallow (5–7) to balance bias and overfitting. Clearly, factors in addition to climate, topography and land cover/land use influence wetland permanence class (i.e., basin size, depth, ground water connectivity, etc.). Despite classification errors, our results indicate that climate was the strongest predictor of wetland permanence class in the Parkland and Grassland natural regions, whereas topography was most important in the southern Boreal Forest Natural Region among the three domains we considered.
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 | 0,001 | 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 ».