Predicting forest growth based on airborne light detection and ranging data, climate data, and a simplified process-based model
Notice bibliographique
Résumé
Increasing use of airborne light detection and ranging (LiDAR) in forest inventories offers new possibilities to apply process-based forest models (PBM) in practice. We present a new approach, where a simplified PBM is run using inputs derived from the LiDAR data. The PBM was built by combining several existing models together, and it was tested with 52 Scots pine (Pinus sylvestris L.) dominated sample plots in Finland with the LiDAR (PBM_LIDAR) and field (PMB_FIELD) inputs. The results were compared with empirical growth predictions (EM_FIELD) and field reference growth. LiDAR-based stand variables (mean height of tree and crown base and leaf area index) were, on average, well in line with the field measurements. Basal area growth was slightly underestimated with the PBM_LIDAR (bias 4.1%, root mean square prediction error (RMSPE, 26.7%) and overestimated with the PBM_FIELD (bias –10.2%, RMSPE 33.3%), the EM_FIELD being the least biased (bias –1.9%, RMSPE of 24.6%). The bias varied with stand age and fertility. The dependence on field reference growth was highest with EM_FIELD and PBM_LIDAR (R 2 = 0.47 and 0.34, respectively), and lowest with PBM_FIELD (R 2 = 0.18). Despite several development needs, the approach is promising for easy incorporation of canopy and weather data into forest growth predictions.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».