Wavelet-based spatiotemporal analyses of climate and vegetation for the Athabasca river basin in Canada
Notice bibliographique
Résumé
Monitoring spatiotemporal changes in climate and vegetation coverage are crucial for various purposes, including water, hazard, and agricultural management. Climate has an impact on vegetation, however, studying their relationship is challenging. We implemented the Least-Squares Wavelet (LSWAVE) software for investigating trend, coherency, and time lag estimation between climate and vegetation time series. We utilized Normalized Difference Vegetation Index (NDVI) time series provided by the Terra satellite and hybrid climate time series. We found that the seasonal cycles of climate and NDVI are coherent with time delay. For the entire Athabasca River Basin (ARB), the most coherent component was the annual cycle with 84% annual coherency between vegetation and temperature and 46% between vegetation and precipitation. The annual cycles of temperature and precipitation led the ones in vegetation by about two and three weeks, respectively. Relatively lower coherency was observed in the mountainous region (upper ARB) and higher coherency in the middle ARB. From the cross-spectrograms, a clear time delay pattern was observed between the annual cycles of climate and vegetation since 2000 but not for other high-frequency seasonal cycles. The results also highlighted the advantages of LSWAVE algorithms over traditional algorithms, such as linear regression and correlation. Furthermore, we analyzed the annual land use and land cover data provided by the Terra and Aqua satellites and discussed their linkage with the climate and NDVI results.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».