Predicting the site productivity of forest tree species using climate niche models
Notice bibliographique
Résumé
Species occurrence-based climate niche models (CNMs) serve as valuable tools for predicting the future ranges of species’ suitable habitats, aiding the development of climate change adaptation strategies. However, these models do not address an essential aspect - productivity, which holds economic significance for timber production and ecological importance for carbon sequestration and ecosystem services. In this study, we investigated the potential to extend the CNMs to predict species productivity under various climate conditions. Lodgepole pine (Pinus contorta Dougl. ex Loud.) and Douglas-fir (Pseudotsuga menziesii Franco.) were selected as our model species due to their comprehensive range-wide occurrence data and measurement of site productivity. To achieve this, we compared and optimized the performance of four individual modeling algorithms (Random Forest (RF), Maxent, Generalized Boosted Models (GBM), and Generalized Additive Model (GAM)) in reflecting site productivity by evaluating the effect of spatial filtering, and the ratio of presence to absence (p/a ratio) observations. Additionally, we applied a binning process to capture the overarching trend of climatic effects while minimizing the impact of other factors. We observed consistency in optimal performance across both species when using the unfiltered data and a 1:1.5 p/a ratio, which could potentially be extended to other species. Among the modeling algorithms explored, we selected the ensemble model combining RF and Maxent as the final model to predict the range-wide site productivity for both species. The predicted range-wide site productivity was validated with an independent dataset for each species and yielded promising results (R2 above 0.7), affirming our model’s credibility. Our model introduced an innovative approach for predicting species productivity with high accuracy using only species occurrence data, and significantly advanced the application of CNMs. It provided crucial tools and insights for evaluating climate change's impact on productivity and holds a better potential for informed forest management and conservation decisions.
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 | 0,000 | 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) | 0,001 | 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 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 ».