Effects of sample size and tree selection criteria on the performance of taper equations
Notice bibliographique
Résumé
Abstract Accuracy of a taper equation is affected by the quality of calibration data. We evaluated the effects of eight tree selection protocols, originating from two sample sizes and four tree selection criteria (randomly selected trees, trees with diameter at breast height (DBH) closest to quadratic mean diameter, dominant/ co-dominant trees, and trees randomly selected from each class of stratified basal area [BA]), on the accuracy of taper equations by Sharma and Zhang and Kozak by comparing resulting predictions of diameters inside bark and cumulative volumes of tree stems. Evaluations were performed using the data collected via stem analysis from 1098 jack pine (Pinus banksiana Lamb.), and 1122 black spruce (Picea mariana Mill. BSP) trees sampled across the boreal forest of Northern Ontario. About half of the trees were randomly selected for model calibration and the remainder was used for model evaluation. Prediction accuracy, here defined as bias, depended on the tree species, the tree selection protocol including sample size and tree selection criteria, and the model form of the taper equation. A protocol that involved selecting trees from five stratified BA classes (one randomly selected tree from each BA class) was more efficient than other protocols in representing the mean taper function of jack pine and black spruce trees for both taper equations for small sample sizes (five trees per plot). The minimum number of trees required to model taper equations without compromising model accuracy depended on tree species and the model form used to describe tree taper.
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 | 0,001 |
| 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) | 0,001 | 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 ».