Predicting site index with a physiologically based growth model across Oregon, USA
Notice bibliographique
Résumé
With expanded interests in sustaining productivity under changing climate, management, and disturbance regimes, we sought a means of mapping the potential productivity of forests across the state of Oregon in the Pacific Northwest, USA. We chose the mapping tool 3-PG, a simplified physiologically based process model that can be driven with monthly averaged climatic data (DAYMET) and estimates of soil fertility based on soil nitrogen content. Maximum periodic mean increment (MAI, m3·ha1·year1), a measure of the forest's productive potential, was generated by the 3-PG spatial model and mapped at 1-km2 resolution for the most widely distributed tree species, Douglas-fir (Pseudotsuga menziesii (Mirb.) Franco). Maximum MAI is linearly correlated with yield table site indices and therefore comparable with field-derived estimates of site indices obtained from measurement of tree heights and ages at 5263 federal forest survey points. The model predicted 100-year site index (SI) reasonably well (R2 = 0.55; RMSE = 9.1), considering the difference in spatial resolution between the modeled (1 km2) and field-measured SI (<0.1 ha) and that field plots were offset for confidentiality by 13 km. We created a map of the differences between modeled and field-measured SI and found that the 3000 points within ±6 m error were relatively evenly distributed across Oregon. Improving the accuracy in modeling and mapping forest productivity using 3-PG will likely require refinements in soil surveys, the quality of climatic data, the location of field plots, and the model functions and species parameters.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».