Effects of sample size and model form on the accuracy of model-based estimators of growing stock volume
Notice bibliographique
Résumé
In this study, we investigate the use of model-based inference in forest surveys in which auxiliary data are available as a probability sample. We evaluate the effects of model form and sample size on estimators of growing stock volume, based on different types of remotely sensed auxiliary data. The study was performed through Monte Carlo sampling simulation using a two-phase sampling design within a simulated study area resembling the conditions in mid-western Finland. We show that the choice of model has a minor to moderate effect on the precision of model-based estimators. Similarly, the choice of estimator of the variance–covariance matrix of model parameter estimates, which is at the core of uncertainty assessment in model-based inference, was also found to have a minor to moderate effect on the precision of model-based estimators. Regarding sample sizes, the model error contribution to the total variance remains the same regardless of the sample size of the first phase (i.e., the size of the sample of auxiliary data); to reduce the model-error contribution, there is a need to increase the sample size of the second phase (i.e., the size of the sample of field plots for developing regression models). As a baseline for comparisons, model-assisted estimators were applied and found to be about equally precise as the model-based estimators, in accordance with the theory for the case when models are estimated from the sample 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».