Design-unbiased estimation for point-to-tree distance sampling
Notice bibliographique
Résumé
Point-to-tree distance sampling designs, sometimes also referred to as k-tree sampling or fixed-count sampling, are practical response design options for field sampling in forest inventories and ecological surveys. While practitioners accept and use several approaches to estimate stem density and other stand attributes, a major concern from a statistical point of view is the lack of a general unbiased estimator for this class of sampling strategies. In this paper we analyse point-to-tree distance sampling in the framework of design-based probabilistic sampling and present an unbiased estimator valid for estimation of any stand attribute. This estimator draws upon the idea of defining an inclusion zone around each tree. A tree is taken as a sample tree if a selected sample point falls into its inclusion zone. The size of the inclusion zone is therefore a measure of the individual tree's inclusion probability when sampling is done with random sample points. Once the inclusion probabilities are known for all sampled trees, the Horwitz-Thompson estimator can be used as an unbiased estimator for any stand variable. In point-to-tree distance sampling, the inclusion zone of a particular tree depends exclusively on the spatial arrangement of the neighbouring trees. Such inclusion zones are determined by k-order Voronoi polygons, where k is the number of trees being sampled per sample point. The approach, however, requires the positions of the k sample trees and a number of surrounding trees to be mapped. Field application is therefore difficult, but a comparison of plot designs by simulation studies in fully mapped stands can now also be done with an unbiased estimator for k-tree sampling.
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 | 0,002 | 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 ».