MétaCan
Menu
Retour à la cohorte
Enregistrement W4251531652 · doi:10.2458/azu_jrm_v54i5_jensen

Spatial modeling of rangeland potential vegetation environments

2001· article· en· W4251531652 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Range Management · 2001
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRangeland and Wildlife Management
Établissements canadiensScience North
Organismes subventionnairesNatural Resources Conservation ServiceU.S. Department of AgricultureU.S. Forest ServiceU.S. Environmental Protection Agency
Mots-clésShrublandVegetation (pathology)GeographyVegetation classificationVegetation typeGeographic information systemEcologyRangelandLandscape ecologyWoodlandRemote sensingCartographyHabitatEnvironmental scienceGrasslandAgroforestry

Résumé

récupéré en direct d'OpenAlex

Potential vegetation environments (e.g., habitat types, range sites, ecological sites) are important to land managers because they provide a conceptual basis for the description of resource potentials and ecological integrity. Efficient use of potential vegetation classifications in regional or subregional scale assessments of ecosystem health has been limited to date, however, because traditional ecological unit mapping procedures often treat such classifications as ancillary information in the map unit description. Accordingly, it is difficult, if not impossible, to describe the precise location, patch size, and spatial arrangement of potential vegetation environments from most traditional ecological unit maps. Recent advances in remote sensing, geographic information systems (GIS), terrain modeling, and climate interpolation facilitate the direct mapping of potential vegetation through a predictive process based on gradient analysis and ecological niche theory. In this paper, we describe how a predictive vegetation mapping process was used to develop a 30 m raster-based map of 4 grassland, 5 shrubland, and 6 woodland habitat types across the Little Missouri National Grasslands, North Dakota. Discriminant analysis was used in developing this potential vegetation map based on 6 primary geographic information system themes. Geoclimatic subsections and remotely sensed vegetation lifeform maps were used in predictive model stratification. Terrain indices, LANDSAT satellite imagery, and interpolated climate information were used as independent (predictor) variables in model construction. A total of 616 field plots with known habitat type membership were used as dependent variables and assessed by a jackknife discriminant analysis procedure. Accuracy values of our map ranged from 54 to 77% in grasslands, 62 to 100% in shrublands, and 70 to 100% in woodlands dependent on geoclimatic subsection setting. Techniques are also described for generalizing the 30 m pixel resolution habitat type map to appropriate ecological unit maps (e.g., landtype associations) for use in ecosystem health assessments and land use planning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,391
Score d'incertitude au seuil0,523

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,203
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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