Estimation of standing dead tree class distributions in northwest coastal forests using lidar remote sensing
Notice bibliographique
Résumé
The amount and variability of living and dead wood in a forest stand are important indicators of forest biodiversity, as it relates to structural heterogeneity and habitat availability. In this study, we investigate whether light detection and ranging (lidar) can be used to estimate the distribution of standing dead tree classes within forests. Twenty-two field plots were established in which each stem (DBH >10 cm) was assigned to a wildlife tree (WT) class. For each plot, a suite of lidar-derived predictor variables were extracted. Ordinal regression using a negative log–log link function was then employed to predict the cumulative proportions of stems within the WT classes. Results indicated that the coefficient of variation of the lidar height data was the best predictor variable (χ 2 = 106.11, p < 0.00; Wald = 4.83, p = 0.028). The derived relationships allowed for the prediction of the cumulative proportion of stems within WT classes (r = 0.90, RMSE = 6.0%) and the proportion of dead stems within forest plots (r = 0.61, RMSE = 16.8%). Our research demonstrates the capacity of lidar remote sensing to estimate the relative abundances of standing living and dead trees in forest stands and its ability to characterize vegetation structure across large spatial extents.
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 | 0,001 |
| 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 ».