Notice bibliographique
Résumé
The design bias in the sample mean obtained from sampling the trees nearest to points randomly and uniformly distributed over a forested area can be exactly quantified in terms of the Voronoi polygons (V polygons) surrounding each tree in the forest of interest. For this sampling method, the V polygon for a prospective sample tree is its inclusion zone. The sides of such polygons are perpendicular to a line joining adjacent trees and equidistant from these trees. For any individual tree attribute Y, the design bias in such a sample mean for estimating the population mean of Y will be equal to the covariance between Y and V-polygon area V divided by the mean V-polygon area. The bias as a percent of the population mean of Y is the product of the correlation coefficient between Y and V and the coefficients of variation for Y and V multiplied by 100. This implies that attempts to estimate the means of commonly measured individual tree variables such as DBH, basal area, and crown diameter or the area from sampling trees nearest to randomly located points will likely be positively biased, and the magnitude of that bias will depend on the strength of the linear relationship to the V-polygon area, as well as the variability among the V-polygon areas and the variable of interest. It is not obvious whether increment core data will be positively or negatively biased, because this depends on the characteristics of the forest of interest. The main conclusion of the study is that the bias formula derived for unweighted estimation from sampling the tree nearest to a point indicates that bias in the range of 5%–10% or greater can occur in many forest populations.
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 | 0,019 | 0,166 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».