Monitoring Changes in the Enhanced Vegetation Index to Inform the Management of Forests
Notice bibliographique
Résumé
In the absence of forest ecosystem time series data, monitoring proxies such as the enhanced vegetation index (EVI) can inform the capacity of forests to provide ecosystem services. We used MODIS-derived EVI at 250 m and 16-day resolution and Breaks for Additive and Seasonal Trend (BFAST) algorithms to monitor forest EVI changes (breaks and trends) in and around the Algonquin Provincial Park (Ontario, Canada) from 2003 to 2022. We found that relatively little change occurred in forest EVI pixels and that most of the change occurred in non-protected forest areas. Only 5.3% (12,348) of forest pixels experienced one or more EVI breaks and 27.8% showed detectable EVI trends. Most breaks were negative (11,969, 75.3%; positive breaks: 3935, 24.7%) with a median magnitude of change of −755.5 (median positive magnitude: 722.6). A peak of negative breaks (2487, 21%) occurred in the year 2013 while no clear peak was seen among positive breaks. Most breaks (negative and positive) and trends occurred in the eastern region of the study area. Boosted regression trees revealed that the most important predictors of the magnitude of change were forest age, summer droughts, and warm winters. These were among the most important variables that explained the magnitude of negative (R2 = 0.639) and positive breaks (R2 = 0.352). Forest composition and protection status were only marginally important. Future work should focus on assessing spatial clusters of EVI breaks and trends to understand local drivers of forest vegetation health and their potential relation to forest ecosystem services.
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 | 0,001 |
| 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 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 ».