Combining remote sensing, data from earlier inventories, and geostatistical interpolation in multisource forest inventory
Notice bibliographique
Résumé
Multisource forest inventory with two-phase sampling offers several advantages in the forest management planning when compared with the traditional visual inventory by stands. For example, by combining data from remote sensing imagery with field measurements, it is possible to estimate the forest characteristics of large areas at a more reasonable cost than by using the traditional visual inventory by stands. In this study, the k-nearest-neighbours estimation (k-nn), stand inventory data, and geostatistical interpolation were combined for estimation of five forest variables (mean diameter, mean height, mean age, basal area, and volume) per sample plot and stand. Digitized aerial photograph features, visually interpreted aerial photograph features, and updated stand inventory data were used as the auxiliary data sources in the estimation of forest variables. The results show that, at the sample plot level, the k-nn estimates based on the auxiliary data sources were more accurate than the updated stand inventory data transferred to the plot level. At the stand level, the updated stand inventory data were more accurate than the k-nn estimates. When the k-nn estimates were combined with the updated stand inventory data, the accuracy of the estimates was significantly improved at both the sample plot and stand level. The geostatistical interpolation, which was tested on the stand level estimation, did not result in any further improvement in the accuracy of the estimates.
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 | 0,002 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».