Predicting Alder shrub expansion in Sub-Arctic Alaska using machine learning, satellite data, and environmental variables
Notice bibliographique
Résumé
The wider Fairbanks area, a sub-Arctic region of Alaska, USA, is home to a variety of alpine, oroarctic tundra that is being impacted by climate warming. This has resulted in an infilling and expansion of shrubs across the tundra and an elevational increase in the range limits of tall shrubs. Expansion of Alder (a key pioneer tall shrub) is thought to result from Arctic warming and shifts in its spread are likely to be a result of such warming. \n \nAlder can fix atmospheric nitrogen by virtue of a mutualistic association with soil bacteria, which subsequently becomes available to other shrubs, potentially relieving local soil nitrogen limitations and promoting a positive growth response to climate warming. This potential landscape-scale change requires information of change at a suitable scale. However, Alder and other tall shrubs have been hard to measure using existing remote sensing approaches alone. This is mainly due to issues surrounding data availability and suitable spatial resolution of imagery. \n \nSatellite remote sensing and environmental data are combined to create a map of Alder expansion across the wider Fairbanks area. A methodology is presented where ecological variables are integrated into prediction maps using a combination of regression and machine learning to estimate spatial extents. A baseline for a minimum number of high resolution training polygons is found to understand minimum required inputs. Field-based validation data were collected using a random sampling design across four different locations within the Yukon-Koyukuk area, Alaska. The combination of satellite data and environmental variables yields the best results for predicting Alder locations across the study area with a model accuracy of 0.99 and User’s accuracy of 43.66%. Orthomosaics as validation data are found to be very useful, enabling better quantification of smaller plant functional types for more accurate error matrix class assignment increasing overall model accuracy. \n
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».