The PeatPic project: predicting plot-scale green leaf phenology across peatlands
Notice bibliographique
Résumé
Abstract Peatlands store approximately one-third of the world’s soil carbon (C), but their functioning is highly variable at fine spatial scales due to differences in vegetation cover and environmental conditions such as water table depth. This fine-scale heterogeneity plays a key role in carbon dynamics yet capturing it—particularly in relation to green leaf phenology (GLP)—is challenging with traditional remote sensing methods. To address this, we developed a smartphone-based methodology and community-science project called the PeatPic Project. We gathered over 3700 photographs from 27 sites across 10 countries in 2021 and 2022, representing different peatland types (bog, fen, and swamp), at 1–2 week intervals. We calculated GLP metrics, such as the data of the start of the season and end of the season, based on the red-blue-green bands from these photographs. We found that GLP metrics varied significantly across peatland types and dominant vegetation communities. Notably, peak greenness at bog sites occurring approximately 10 days later in the year compared to fen sites. Furthermore, variables relation to peatland/vegetation type and energy balance were key predictors of peatland GLP. The PeatPic Project’s readily available methodology offers low-cost opportunities for further research into peatland phenology, enabling the calculation of additional phenological indices and integration with other data types. By refining our understanding of peatland GLP, we can improve predictive C modelling and better assess the impacts of future changes on these important ecosystems.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».