Individual height–diameter models for young black spruce (<i>Picea mariana</i>) and jack pine (<i>Pinus banksiana</i>) plantations in New Brunswick, Canada
Notice bibliographique
Résumé
Historically, height–diameter models have mainly been developed for mature trees; consequently, few height–diameter models have been calibrated for young forest stands. In order to develop equations predicting the height of trees with small diameters, 46 individual height–diameter models were fitted and tested in young black spruce (Picea mariana) and jack pine (Pinus banksiana) plantations between the ages of 4 to 8 years, measured from 182 plots in New Brunswick, Canada. The models were divided into 2 groups: a diameter group and a second group applying both diameter and additional stand- or tree-level variables (composite models). There was little difference in predicting tree height among the former models (Group I) while the latter models (Group II) generally provided better prediction. Based on goodness of fit (R 2 and MSE), prediction ability (the bias and its associated prediction and tolerance intervals in absolute and relative terms), and ease of application, 2 Group II models were recommended for predicting individual tree heights within young black spruce and jack pine forest stands. Mean stand height was required for application of these models. The resultant tolerance intervals indicated that most errors (95%) associated with height predictions would be within the following limits (a 95% confidence level): [-0.54 m, 0.54 m] or [-14.7%, 15.9%] for black spruce and [-0.77 m, 0.77 m] or [-17.1%, 18.6%] for jack pine. The recommended models are statistically reliable for growth and yield applications, regeneration assessment and management planning. Key words: composite model, linear model, model calibration, model validation, prediction interval, tolerance interval
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».