Patterns of covariance between airborne laser scanning metrics and Lorenz curve descriptors of tree size inequality
Notice bibliographique
Résumé
The Lorenz curve, as a descriptor of tree size inequality within a stand, has been suggested as a reliable means for characterizing forest structure and distinguishing even from uneven-sized areas. The aim of this study was to achieve a thorough understanding on the relations between airborne laser scanning (ALS) metrics and indicators based on Lorenz curve ordering: Gini coefficient (GC) and Lorenz asymmetry (S). Exploratory multivariate analysis was carried out using correlation tests, partial least squares (PLS), and an information-theoretic approach for multimodel inference (MMI). Best subset linear model was selected for GC and S prediction, as variable transformations yielded no improvement in the relation of ALS with the given response. Relative variable importance based on the MMI model showed that GC is best predicted by ALS metrics expressing canopy coverage, return dispersion, and low–high percentile combinations. Although ALS metrics showed no correlation with S, they did so against its constituting components: the proportions of basal area () and stem density () stocked above the mean quadratic diameter. The study of PLS loading vectors illustrated how ALS metrics explain variance in opposing directions for each of these components, so that their effects cancel each other out in the overall S. Cross-validation showed that only marginal differences are nevertheless found between predicting S directly or as the sum and estimations. The differing relation of diverse ALS metrics was therefore observed for and . The conclusions obtained by this research may assist in selecting relevant Lorenz curve descriptors for forest structure characterization, as well as in variable reduction strategies for their wall-to-wall prediction by means of ALS metrics.
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 | 0,000 |
| 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 ».