Measurement and prediction of bark thickness in <i>Picea abies</i>: assessment of accuracy, precision, and sample size requirements
Notice bibliographique
Résumé
Tree and log diameters are usually measured outside bark, but inside-bark diameters are of greater economic interest and are often derived with local or regional bark thickness equations. To date, the influence of measurement method, sampling design, and sample size on bark thickness equation accuracy and precision has received limited attention. The objectives of this study were to use an extensive regional bark thickness dataset for Norway spruce (Picea abies (L.) Karst) in southwestern Germany to (1) quantify the accuracy and precision of bark thickness measurements with a Swedish bark gauge, (2) determine the required number of measurements to assess the within-tree variation, and (3) estimate the required sample sizes per plot and per region to develop an accurate bark thickness prediction equation. Bark gauge readings were validated with measurements derived from X-ray computed tomography (CT) and indicate that Swedish bark gauges generally overestimated bark thickness by 13.6% ± 28.4% (mean ± standard deviation). Results suggested having at least one measurement location every 2 m along a tree bole and at least five bark thickness measurements per each of these locations to achieve an allowable error of <15%. For the study area, Monte Carlo simulations indicated that a total sample size of 50–250 trees was needed, depending on the complexity of the desired bark thickness model. Overall, this analysis indicated that there was relatively high within- and between-tree variation in bark thickness, but adequate sampling methods and sample sizes produced highly accurate bark thickness equations.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».