Systematic losses in tree-canopy cover over three decades revealed by integrating complementary data sources
Notice bibliographique
Résumé
Losses and gains in canopy cover of the world’s tree canopies affect carbon stocks, species habitats, water cycles, and human livelihoods. Consistent and multi-decadal global data on tree-canopy cover dynamics are needed for modelling climate scenarios, tracking progress towards restoration targets, and diverse other research, management and policy applications. However, most data only map binary ‘forest’/‘non forest’ distinctions that are regionally restricted or biassed by data gaps, and those mapping tree-canopy cover are limited to the 21st century, leaving longer-term dynamic in tree-canopy cover largely unknown. Here, we present an annual and global time-series of tree-canopy cover between 1992 and 2018. To develop these data, we integrated complementary products, using their respective strengths to compensate for weaknesses, and exploiting path dependencies in change processes to derive predictions into the data-sparse 1990s. Our model validation indicates we can accurately map tree-canopy cover (r2=0.95 [±0.01], RMSE=6.75% [±0.08], F1-score=0.97 [< ±0.01]) and our time-series show plausible broad-scale spatiotemporal patterns, as indicated by high correlations with national statistics (r2=0.94 [< ±0.01]). Our analysis of these data revealed systematic global losses in tree-canopy cover that, area-wise, substantially exceed concurrent losses or gains of treescape extents. Our analysis and data provide novel insights into global dynamics of tree cover, and can support modelling and reporting in the scope of the Kunming-Montréal Global Biodiversity Framework, the Paris Agreement, and other forest-related policies.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».