Hidden becomes clear: Optical remote sensing of vegetation reveals water table dynamics in northern peatlands
Notice bibliographique
Résumé
The water table and its dynamics are one of the key variables that control peatland greenhouse gas exchange. Here, we tested the applicability of the Optical TRApezoid Model (OPTRAM) to monitor the temporal fluctuations in water table over intact, restored (previously forestry-drained), and drained (under agriculture) northern peatlands in Finland, Estonia, Sweden, Canada, and the USA. More specifically, we studied the potential and limitations of OPTRAM using water table data from 2018 through 2021, across 53 northern peatland sites, i.e., covering the largest geographical extent used in OPTRAM studies so far. For this, we calculated OPTRAM based on Sentinel-2 data with the Google Earth Engine cloud platform. First, we found that the choice of vegetation index utilised in OPTRAM does not significantly affect OPTRAM performance in peatlands. Second, we revealed that the tree cover density is a major factor controlling the sensitivity of OPTRAM to water table dynamics in peatlands. Tree cover density greater than 50% led to a clear decrease in OPTRAM performance. Finally, we demonstrated that the relationship between water table and OPTRAM often disappears when WT deepens (ranging between 0 to −100 cm, depending on the site location). We identified that the water table where OPTRAM ceases to be sensitive to variations is highly site-specific. Overall, our results support the application of OPTRAM to monitor water table dynamics in intact and restored northern peatlands with low tree cover density (below 50%) when the water table varies from shallow to moderately deep. Our study makes significant steps towards the broader implementation of optical remote sensing data for monitoring peatlands subsurface moisture conditions over the northern region.
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 ».