Mapping the Normalized Difference Vegetation Index for the Contiguous U.S. Since 1850 Using 391 Tree-Ring Plots
Notice bibliographique
Résumé
The forests and grasslands in the U.S. are vulnerable to global warming and extreme weather events. Current satellites do not provide historical vegetation density images over the long term (more than 50 years), which has restricted the documentation of key ecological processes and their resultant responses over decades due to the absence of large-scale and long-term monitoring studies. We performed point-by-point regression and collected data from 391 tree-ring plots to reconstruct the annual normalized difference vegetation index (NDVI) time-series maps for the contiguous U.S. from 1850 to 2010. Among three machine learning approaches for regressions—Support Vector Machine (SVM), General Regression Neural Network (GRNN), and Random Forest (RF)—we chose GRNN regression to simulate the annual NDVI with lowest Root Mean Square Error (RMSE) and highest adjusted R2. From the Little Ice Age to the present, the NDVI increased by 6.73% across the contiguous U.S., except during some extreme events such as the Dust Bowl drought, during which the averaged NDVI decreased, particularly in New Mexico. The NDVI trend was positive in the Northern Forest, Tropical Humid Forest, Northern West Forest Mountains, Marin West Coast Forests, and Mediterranean California, while other ecoregions showed a negative trend. At the state level, Washington and Louisiana had significantly positive correlations with temperature (p < 0.05). Washington had a significantly negative correlation with precipitation (p < 0.05), whereas Oklahoma had a significantly positive correlation (p < 0.05) with precipitation. This study provides insights into the spatial distribution of paleo-vegetation and its climate drivers. This study is the first to attempt a national-scale reconstruction of the NDVI over such a long period (151 years) using tree rings and machine learning.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 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 ».