From plots to landscape: A k-NN-based method for estimating stand-level merchantable volume in the Province of Québec, Canada
Notice bibliographique
Résumé
Estimation of forest attributes at the stand or polygon level across the forest domain is a basic component of forest inventory programs. We tested a “k-Nearest Neighbours” (k-NN)-based method for imputing merchantable volume. Our target dataset consisted of a discrete set of forest polygons within two large forest management units, and our reference dataset was a large historical database of temporary sample plots measured over the past three decades. The linkage between the target and reference datasets was provided by polygon-level photo-interpreted forest attributes. Measurements in temporary sample plots located in all target polygons enabled us to estimate fit statistics between imputed and measured merchantable volumes. A parallel imputation exercise was also done using the current operational method used by the Province of Québec to map forest attributes over the publicly owned forest lands. Results show that the volumes estimated using the historical k-NN method show fit statistics similar to those of the operational method, with a slightly higher bias that is largely within the error term of the estimates. For both methods, the coefficient of determination between measured and imputed merchantable volume is between 0.16 and 0.19 for total volume, increases substantially when the volume is partitioned between hardwoods and softwoods, but then decreases when the volume is further distributed among species. The results underline the importance of photo-interpretation uncertainties in bounding the accuracy of volume imputation as well as the value of the k-NN procedure for imputation purposes in the context of natural forests.Key words: Forest inventory; non-parametric methods; photo-interpretation; pre-stratification; natural forests
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 | 0,000 | 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 ».