Predicting the number of trees in small diameter classes using predictions from a two-parameter Weibull distribution
Notice bibliographique
Résumé
Knowing the abundance of small trees is necessary for accurate calculation of gross production, total carbon and/or biomass of forest stands. The abundance of small trees can also be used to predict ingrowth into larger tree diameter classes. We present a method of predicting numbers of trees in small diameter classes using diameter distributions of larger trees in stands. A truncated two-parameter Weibull distribution was fit to large tree diameters (diameter at breast height (d.b.h.) ≥ 9.0 cm). These parameters were then used to predict the number of small trees in d.b.h. classes smaller than 9.0 cm. Three methods of predicting densities of small trees were used: (1) an extrapolation of the truncated Weibull to a full two-parameter Weibull distribution; (2) a modification of the Weibull using an empirical estimate and (3) a combined approach. While the full two-parameter Weibull distribution generally fitted the distribution of small trees, densities were typically under-predicted. The empirical method (i.e. method 2) produced the best predictions of small tree densities, with a root mean square error of 132 trees h−1 (28 per cent of mean small tree density). Overall, predicting the distribution of small trees using the distribution of large trees worked very well in this study.
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».