Predicting net growth rates in boreal forests using Landsat time series and permanent sample plot data
Notice bibliographique
Résumé
Abstract Increasing temperature and changes in water dynamics are bringing uncertainty regarding the future productivity of boreal forests, even in the absence of stand-replacing disturbances. There is accumulating evidence that water deficits caused by warmer summer temperatures are linked to decreases in the growth rate of boreal tree species in some regions. In this context, it is essential to provide forest professionals with a means of monitoring net forest growth rates in undisturbed areas and at the scale of a management unit in order to determine where and when changes in growth are taking place. This is challenging using conventional forest inventory approaches. In this study, we use Landsat time series and data from permanent sample plots (PSP) to develop spatially explicit estimates of annual net basal area growth at a 30-m spatial resolution for a forest management unit in Canada. An ordinary least square regression model was developed using data from 120 PSPs and validated on an independent set of 60 PSPs, with R2 values of 0.61 and 0.58, respectively. Applying the model over a 586 607-ha study area revealed considerable temporal and spatial variability in the predicted growth rates and their evolution through time. There was an overall decline in predicted growth rates over time, with this trend corroborated by the PSP data and attributed to the ageing demographics of the forests in the study area. This variability was related to forest development stage, species composition, and structural attributes derived from light detection and ranging (LiDAR). The information generated by the suggested approach can help to improve yield predictions, optimize rotation lengths, and allow for the identification of target areas where silvicultural interventions aimed at maintaining or enhancing growth could be conducted.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».