Linear mixed-effects models for estimating biomass and fuel loads in shrublands
Notice bibliographique
Résumé
Shrubland biomass is important for fire management programmes and for carbon estimates. Aboveground biomass and the combustible portion of biomass, the fuel load, in the past have been measured using destructive techniques. These techniques are detailed, highly labour intensive, and costly; hence, an alternative approach was sought. The new approach used linear mixed-effects models to estimate biomass and fuel loads from easily measured field variables: shrub overstorey height and cover, and understorey height and cover. Site was regarded as a random effect. Sampling sites were located throughout New Zealand and included a range of shrubland vegetation types: manuka ( Leptospermum scoparium J.R. Forst. et G. Forst.) and kanuka ( Kunzea ericoides (A. Rich.) J. Thomps.) scrub and heath, pakihi (mixed low heath, fern, and rushes), and gorse ( Ulex europaeus L.). The approach was extended and confidence intervals were constructed for the regression models. Statistical analysis showed that understorey height and overstorey cover were significant (at the 5% level) in some cases. Overstorey height was highly significant in all cases (p < 0.0001), allowing development of models useful to the operational user. The models allow rapid estimation of average fuel loads or biomass on new sites, and double sampling theory can be applied to calculate the error in the resultant biomass estimate.
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 | 0,029 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,008 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».