Using a segmented logistic model to predict trees to be harvested in forest growth forecasts
Notice bibliographique
Résumé
Aim of the study: Predicting future harvested trees is a prerequisite to growth forecasts in managed forest stands. While harvest algorithms have been traditionally used, statistical harvest models could be an interesting alternative approach. The objective of this study was to fit statistical harvest models for different partial cutting treatments.Area of study: The study has been carried out in the province of Quebec, Canada.Material and Methods: Data from provincial control survey were used to fit harvest models for three different partial cutting treatments. A two-segment logistic modelling approach was used. The harvest models were designed to be compatible with the ARTEMIS growth simulator, which is currently in use in this province. Main results: The results showed that the probability of being harvested is different across the treatments and primarily depends on tree diameter at breast height and species. In selection cutting treatments in particular, trees close to the merchantable limit (e.g., 23 cm in this study) tended to be less frequently harvested than those with smaller or larger diameters, yielding a sinusoidal pattern that was well captured by the segmented approach. Research highlights: Although the models were of average accuracy as indicated by fit statistics, they made it possible to compare different scenarios in terms of productivity and rotation length when coupled with the ARTEMIS growth simulator. Moreover, compatibility requirements between the simulator and the harvest models appeared to be a major limitation in some cases.Keywords: Harvesting; statistical model; segmented approach; growth forecasts; managed stands.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».