Forest inventory of small areas combining the calibration estimator and a spatial model
Notice bibliographique
Résumé
The use of satellite images is considered to compute improved weights for field plots when estimating totals of forest variables over a region by weighted sums of plot measurements. It is intuitively appealing, and necessary in growth projections for management planning, that the weight of each plot can be interpreted as the total area of similar forest in the region. This way we can get a sound description for the whole region so that the relations and distributions of all predicted forest variables resemble the true population. Area interpretation is possible if the weights are positive and the same for all target variables. A calibration estimator provides such weights. If we need estimates for small subregions (counties in this study), we should utilize plots outside the current subregion. A spatial variogram model is suggested for computing the variance of the proposed small-area calibration estimator. Kriging provides optimal weights under such model, but the area interpretation for weights would not be possible. Estimation of county results using data from the Finnish National Forest Inventory and Landsat TM satellite showed that (i) outside plots should be utilized from a constant area around the county, i.e., the inclusion range should decrease when the size of the county increases, (ii) the combined use of neighboring plots and satellite data may lead to a large reduction in the error variance for small counties. In its current form, the method does not produce predictions for individual pixels.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».