Data from: Changing climate may drive large shifts in vegetation zones of Oregon, USA
Notice bibliographique
Résumé
Anticipating plausible future ecosystem states is necessary for effective ecosystem management. We use climate analog-based impact models and a co-production process with land managers to project future vegetation changes for the state of Oregon, United States (2041-2070, RCP 8.5) at a management-relevant spatial resolution (270 meters). We explored multiple analog-based methodologies, evaluated analog model performance with contemporary validation, and leveraged climate analogs to assess projection uncertainty by quantifying areas where multiple vegetation trajectories are plausible under a single climate scenario. We find that analog-based models performed well at reproducing landscape-level vegetation composition, and moderately well at reproducing vegetation at the pixel level. Our results suggest that 64 % of the study area will experience future climate conditions that support different potential natural vegetation types, and 59 % will experience climates corresponding with different potential plant physiognomic types, compared to reference-period conditions. We project a 60% reduction of mesic conifer-dominated forests with transitions to mixed evergreen forest types. We also project losses to dry forests, cold forests and parklands, with commensurate expansions of shrublands, grasslands, and geographic redistribution of dry forest types. We find that in many areas, several vegetation trajectories are plausible under a single climate scenario. Finally, we provide guidance for using future vegetation projections and uncertainty outputs in management decisions using the Resist-Accept-Direct (RAD) adaptation framework.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,006 |
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 ».