Forest Disturbance and Restoration in China's North-South Transition Zone: A Case from the Funiu Mountains
Notice bibliographique
Résumé
Accurate monitoring and assessment of forest disturbance and recovery dynamics are essential for sustainable forest management, particularly in ecological transition zones. This study analyzed forest disturbance and recovery patterns in China’s Funiu Mountains from 1991 to 2020 by integrating the LandTrendr algorithm with space-time cube analysis. Using Landsat time series data and the Geodetector method, we examined both the spatiotemporal characteristics and driving factors of forest change across three periods. The results showed that (1) between 1991 and 2020, the study area experienced 131.19 km2 of forest disturbance and 495.88 km2 of recovery, with both processes most active during the 1990s; (2) spatiotemporal analysis revealed that both disturbance and recovery patterns were predominantly characterized by cold spots, suggesting relatively stable forest conditions despite localized changes; (3) human activities were the primary drivers of forest disturbance in the early period, while forest recovery was consistently influenced by the combined effects of topographic conditions and precipitation. Additionally, forest fires emerged as an important factor affecting both disturbance and recovery patterns after 2010. These findings enhance our understanding of forest dynamics in transition zones and provide empirical support for regional forest management strategies. The results also highlight the importance of considering both spatial and temporal dimensions when monitoring long-term forest changes.
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 | 0,001 | 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 ».