Integrating remotely sensed imagery in a forest gap model to study North American boreal forests in a changing world
Notice bibliographique
Résumé
Abstract Boreal forests of Alaska and Western Canada are experiencing rapid climate change characterized by higher temperatures, more extreme droughts, and changing disturbance regimes, resulting in forest mortality and composition changes. Mechanistic models are increasingly important for predicting future forest trends as the region experiences novel environmental change. Previously, many process-based models have generated starting conditions by ‘spinning up’ to equilibrium. However, setting appropriate initial conditions remains a persistent challenge in using mechanistic forest models, where stochastic events and latent parameters governing tree establishment have long-lasting impacts on simulation outcomes. Recent advances in remote sensing analysis provide information that can help address this issue. We updated an individual-based gap model, the University of Virginia Forest Model Enhanced (UVAFME), to include initial conditions derived from aerial and satellite imagery at two locations. Following these updates, material legacies (e.g. trees, seed banks, soil organic layer) allowed new forest types to persist in UVAFME simulations, landscape-level forest heterogeneity increased, and forest-wide biomass estimates increased. At both study sites, initialization from remotely sensed data had a strong impact on forest cover and volume. Climate change impacts were simulated decades earlier than when the model was ‘spun up’. In Alaska’s Tanana Valley State Forest, warmer climate scenarios drove deciduous expansion, increased drought stress, and resulted in a 28% decrease in overall biomass by 2100 between historical and high emissions climate scenarios. At a lowland site in Northern British Columbia, lodgepole pine (Pinus contorta) remained dominant and became more productive with exogenous climate forcing as temperature, nutrient, and flooding limitations decreased. These case studies demonstrate a new framework for forest modeling and emphasize the advantages of integrating remotely sensed data with mechanistic models, thereby laying groundwork for future research that explores near-term impacts of non-stationary ecological change.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; 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 ».