INTRAGRO: A machine learning approach to predict future growth of trees under climate change
Notice bibliographique
Résumé
Abstract The escalating impact of climate change on global terrestrial ecosystems demands a robust prediction of the trees' growth patterns and physiological adaptation for sustainable forestry and successful conservation efforts. Understanding these dynamics at an intra‐annual resolution can offer deeper insights into tree responses under various future climate scenarios. However, the existing approaches to infer cambial or leaf phenological change are mainly focused on certain climatic zones (such as higher latitudes) or species with foliage discolouration during the fall season. In this study, we demonstrated a novel approach (INTRAGRO) to combine intra‐annual circumference records generated by dendrometers coupled to the output of climate models to predict future tree growth at intra‐annual resolution using a series of supervised and unsupervised machine learning algorithms. INTRAGRO performed well using our dataset, that is dendrometer data ofP. roxburghiiSarg. from the subtropical mid‐elevation belt of Nepal, with robust test statistics. Our growth prediction shows enhanced tree growth at our study site for the middle and end of the 21st century. This result is remarkable since the predicted growing season by INTRAGRO is expected to shorten due to changes in seasonal precipitation. INTRAGRO's key advantage is the opportunity to analyse changes in trees' intra‐annual growth dynamics on a global scale, regardless of the investigated tree species, regional climate and geographical conditions. Such information is important to assess tree species' growth performance and physiological adaptation to growing season change under different climate scenarios.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».