Adaptation and Response in Drylands (ARID): Community Insights for Scoping a NASA Terrestrial Ecology Field Campaign in Drylands
Notice bibliographique
Résumé
Abstract Dryland ecosystems cover 40% of our planet's land surface, support billions of people, and are responding rapidly to climate and land use change. These expansive systems also dominate core aspects of Earth's climate, storing and exchanging vast amounts of water, carbon, and energy with the atmosphere. Despite their indispensable ecosystem services and high vulnerability to change, drylands are one of the least understood ecosystem types, partly due to challenges studying their heterogeneous landscapes and misconceptions that drylands are unproductive “wastelands.” Consequently, inadequate understanding of dryland processes has resulted in poor model representation and forecasting capacity, hindering decision making for these at‐risk ecosystems. NASA satellite resources are increasingly available at the higher resolutions needed to enhance understanding of drylands' heterogeneous spatiotemporal dynamics. NASA's Terrestrial Ecology Program solicited proposals for scoping a multi‐year field campaign, of which Adaptation and Response in Drylands (ARID) was one of two scoping studies selected. A primary goal of the scoping study is to gather input from the scientific and data end‐user communities on dryland research gaps and data user needs. Here, we provide an overview of the ARID team's community engagement and how it has guided development of our framework. This includes an ARID kickoff meeting with over 300 participants held in October 2023 at the University of Arizona to gather input from data end‐users and scientists. We also summarize insights gained from hundreds of follow‐up activities, including from a tribal‐engagement focused workshop in New Mexico, conference town halls, intensive roundtables, and international engagements.
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 | 0,001 | 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) | 0,000 | 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 ».