Ecoregionalization assessment: Spatio-temporal analysis of net primary production across Ontario
Notice bibliographique
Résumé
An ecoregionalization can be defined as a partitioning scheme that captures landscape patterns by dividing an area into hierarchically nested ecounits based on similar physiographic and ecological characteristics. In this paper, we introduce new spatio-temporally explicit methods to characterize spatio-temporal variability of static, a priori defined, ecounits by their dynamic “spatio-temporal signatures” (STSs) and assess the strength of the ecoregionalization boundaries using this information. To analyze the spatial and temporal patterns of net primary productivity (NPP) at the ecozone, ecoregion, and ecodistrict levels of the National Ecological Framework of Canada (NEF) ecoregionalization, we compute a 15-year monthly series of NPP for Ontario at 8-km by 8-km resolution based on satellite images (NOAA-AVHRR) and a light-use efficiency model. At each level of the NEF hierarchy, within-unit homogeneity of the monthly, annual, and 15-year average NPP of ecounits is characterized by the Getis statistic, and between-unit heterogeneity of these variables is characterized by the boundary contrast (squared difference across the boundary). Similarities across the levels of the hierarchy are assessed by the sum-of-squared differences of monthly, annual, and 15-year average NPP of nested ecounits. Temporal trends of NPP per ecounit are measured using Kendall’s correlation coefficient. The seasonal and annual variations in the growing season, as captured by a time series of NPP aggregated to the ecodistrict, ecoregion, and ecozone level, are shown to vary across Ontario. These results indicate the potential of our spatio-temporal approach for ecoregionalization assessment based on dynamic and spatially distributed data.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».