Land use change analysis of the flooded area in the Guaiba Hydrographic Region in southern Brazil 2024
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. The impact of extreme weather events is largely influenced by land cover, as demonstrated by the catastrophic flood in Rio Grande do Sul (RS), Brazil, in May 2024. Over 200mm of rain fell daily in numerous municipalities, displacing 2.3 million people. Although forests cannot entirely mitigate such extreme rainfall, they can help reduce runoff and related damages. We conducted a geospatial analysis to assess land use changes from 1985 to 2022 in the Guaíba Hydrographic Region, applying a three-step raster analysis using GIS tools. We classified pixels as natural or anthropogenic to monitor vegetation changes over four periods. Data processing efficiency improved significantly with a PostgreSQL approach, reducing query time from 20 hours to five minutes after a lenghthy initial pre-processing. Our findings indicated a higher long-term anthropogenic influence in flooded areas, with vegetation loss in Pampa Grasslands (PP) at 33.2%, compared to 18.1% for the Atlantic Forest (AF) and 16.8% in flooded areas. Between 1985 and 2022, we observed a fluctuating conversion rate of natural forests, with an overall loss in grasslands at an increasing annual rate. Soybean cover rose dramatically during these years, growing 430% until 2022, diminishing natural pastures in the Pampa biome. Our analysis emphasizes the effectiveness of forest protection policies while revealing that grassland areas remain poorly managed despite their crucial role in mitigating flood impacts.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle