Comparison of spatial vegetation patterns following clearcuts and fires in Ontario's boreal forests
Notice bibliographique
Résumé
The goal of this study was to compare spatial vegetation patterns, based on Landsat TM \ndata, within post-clearcut and post-fire disturbances. Landscapes disturbed during the \nfour decades prior to the collection date of the Landsat data were used for comparison. \nThe disturbed landscapes were clustered according to their spatial edaphic factor \npatterns. A suite of indices representing patch geometry, contagion, and composition \nwere used to describe spatial vegetation and edaphic factor patterns. A general linear \nmodel was used to compare the effects of disturbance type, time since disturbance, and \nedaphic factors (clusters) on seven indices of spatial vegetation patterns. \nPatch size and patch density differed following clearcuts and fires. It appears that \nclearcuts may result in greater spatial heterogeneity among landcover types compared to \nfires. I propose that fires were more severe than clearcuts; thus, creating larger and \nfewer patches. Time since disturbance had the greatest effect on spatial vegetation \npatterns. One decade old disturbances had larger patches, higher contagion and fewer \nlandcover types than older disturbances. I suggest that spatial vegetation patterns \nreflected the destruction of overstory vegetation in one decade old disturbances, and \nrevegetation in the form of small patches in older disturbances. It appears that the effects \nof disturbance on spatial vegetation patterns are temporary. Edaphic factor patch shapes \nmay influence the shape of vegetation patches.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».