Modeling annualized occurrence, frequency, and composition of ingrowth using mixed-effects zero-inflated models and permanent plots in the Acadian Forest Region of North America
Notice bibliographique
Résumé
Forest tree ingrowth is a highly variable and largely stochastic process. Consequently, predicting occurrence, frequency, and composition of ingrowth is a challenging task but of great importance in long-term forest growth and yield model projections. However, ingrowth data often require different statistical techniques other than traditional Gaussian regression, because these data are often bounded, skewed, and non-normal and commonly contain a large fraction of zeros. This study presents a set of regression models based on discrete Poisson and negative binomial probability distributions for ingrowth data collected from permanent sample plots in the Acadian Forest Region of North America. Models considered here include regular Poisson, zero-inflated Poisson (ZIP), zero-altered Poisson (ZAP; hurdle Poisson), regular negative binomial (NB), zero-inflated negative binomial (ZINB), and zero-altered negative binomial (ZANB; hurdle NB). Plot-level random effects were incorporated into each of these models. The ZINB model with random effects was found to provide the best fit statistics for modeling annualized occurrence and frequency of ingrowth. The key explanatory variables were stand basal area per hectare, percentage of hardwood basal area, number of trees per hectare, a measure of site quality, and the minimum measured diameter at breast height of each plot. A similar model was developed to predict species composition. All models showed logical behavior despite the high variability observed in the original data.
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 | 0,000 |
| 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 ».