Tracking Deforestation, Drought, and Fire Occurrence in Kutai National Park, Indonesia
Notice bibliographique
Résumé
The dry lowland and mangrove forests of Kutai National Park (KNP) in Indonesia provide invaluable ecosystem services to local human populations (>200,000 in number), serve as immense carbon sinks to recapture anthropogenic emissions, and safeguard habitats for thousands of wildlife species including the critically endangered Northeast Bornean orangutan (Pongo pygmaeus morio). With recent reports of ongoing illegal logging and large-scale wildfires within this National Park, we sought to leverage the extensive catalogue and processing power of Google Earth Engine to track the rates and influences of forest loss within KNP over various time periods since 1997. We present estimates of forest loss from the Hansen Global Forest Change v1.9 dataset (2000–2021) which detected a loss of 15% (272 km2) of forest cover within KNP since 2000, half of which (137 km2) coincided with the El Niño-induced wildfires of 2015–2016. Using the MCD64A1 C6.1 MODIS dataset, we found significant spatial overlap between burned area and forest loss detections during the 2015–2016 period but identified considerable omissions in the burned area dataset over smallholder farms within KNP. We discuss the implications of deforestation in areas of primary orangutan habitat and how patterns of forest loss have influenced drought and fire dynamics within KNP. Finally, we compare time-series estimates of precipitation, the ENSO index, burned area, and forest loss to demonstrate that fire risk within KNP depends largely—but not exclusively—on drought severity, and that rates of non-fire (gradual) and fire-related (extreme) forest loss threaten the remaining forests of this National Park.
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 | 0,000 |
| 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 | 0,000 | 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 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 ».