Medium-resolution Dynamic Habitat Indices from Landsat and Sentinel-2 satellite imagery
Notice bibliographique
Résumé
• We derived Dynamic Habitat Indices (DHIs) from Sentinel-2, Landsat, and MODIS data. • Sentinel-2 and Landsat DHIs matched MODIS DHIs well at broad scales. • Sentinel-2 and Landsat DHIs outperformed MODIS in modeling bird species richness. • Medium-resolution DHIs capture heterogeneous landscapes better. Biodiversity science requires effective tools to predict patterns of species diversity at multiple temporal and spatial scales. The Dynamic Habitat Indices (DHIs) are remotely sensed indices that summarize aboveground vegetation productivity in a way that is ecologically relevant for biodiversity assessments. Existing global DHIs, derived from MODIS at 1-km resolution, predict species richness at broad scales well, but that resolution is coarse relative to the grain at which many species perceive their habitat. With the much finer spatial resolution of Sentinel-2 and Landsat data, plus Landsat’s longer data record, it is possible to track potential changes of vegetation and its impacts on biodiversity at a finer grain over longer periods. Here, our main goals were to derive the DHIs from 10-m Sentinel-2, 30-m Landsat, and 250-m MODIS data for the conterminous US and compare all DHIs at two spatial extents, and to evaluate the ability of these DHIs to predict bird species richness in 25 National Ecological Observatory Network terrestrial sites. In addition, we derived the Landsat DHIs for 1991–2000 and investigated how they changed by 2011–2020. We found that the Sentinel-2, Landsat, and MODIS DHIs were highly correlated when summarized by ecoregion (Spearman correlation ranging from 0.89 to 0.99), indicating good agreement between them and that we were able to overcome the lower temporal resolution of Sentinel-2 and Landsat. Sentinel-2 and Landsat DHIs outperformed MODIS in modeling species richness for all bird guilds, explaining up to 49% of variance of grassland affiliates in linear regression models. Furthermore medium-resolution DHIs (10–30 m resolution) captured spatial heterogeneity much better than MODIS DHIs. We observed considerable changes in Landsat DHIs from 1991–2000 to 2011–2020, such as increased cumulative DHI along the West Coast, in mountain ranges, and in the South, but lower cumulative DHI in the Midwest. Our newly derived DHIs for the conterminous US have great potential for use in biodiversity science and conservation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».