Comparison of linear and mixed-effect regression models and a <i>k</i>-nearest neighbour approach for estimation of single-tree biomass
Notice bibliographique
Résumé
Allometric biomass models for individual trees are typically specific to site conditions and species. They are often based on a low number of easily measured independent variables, such as diameter in breast height and tree height. A prevalence of small data sets and few study sites limit their application domain. One challenge in the context of the actual climate change discussion is to find more general approaches for reliable biomass estimation. Therefore, nonparametric approaches can be seen as an alternative to commonly used regression models. In this pilot study, we compare a nonparametric instance-based k-nearest neighbour (k-NN) approach to estimate single-tree biomass with predictions from linear mixed-effect regression models and subsidiary linear models using data sets of Norway spruce ( Picea abies (L.) Karst.) and Scots pine ( Pinus sylvestris L.) from the National Forest Inventory of Finland. For all trees, the predictor variables diameter at breast height and tree height are known. The data sets were split randomly into a modelling and a test subset for each species. The test subsets were not considered for the estimation of regression coefficients nor as training data for the k-NN imputation. The relative root mean square errors of linear mixed models and k-NN estimations are slightly lower than those of an ordinary least squares regression model. Relative prediction errors of the k-NN approach are 16.4% for spruce and 14.5% for pine. Errors of the linear mixed models are 17.4% for spruce and 15.0% for pine. Our results show that nonparametric methods are suitable in the context of single-tree biomass estimation.
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 ».