LiDAR-supported estimation of change in forest biomass with time-invariant regression models
Notice bibliographique
Résumé
A single a priori chosen linear regression model with two alternative error structures is proposed for model-assisted (MA) and model-dependent (MD) estimation of state and change in aboveground tree biomass (AGB, Mg·ha −1 ) in three forest strata in the Våler forest in southeastern Norway. Field data of tree height and stem diameter were collected in 145 permanent 200 m 2 circular plots. Concurrent LiDAR data were collected for the entire forest. The regression model includes two LiDAR-based explanatory variables: the mean of canopy height raised to a power of 1.5 and the standard deviation of canopy heights. A nearest-neighbour thinning of the 2010 LiDAR data to the density of the 1999 data was implemented to counter density effects in the explanatory variables. Estimates of change based on a single regression model were more accurate than estimating change from year-specific models (and no data thinning). A canopy height dependent correlated error structure was preferred over a partitioning of the error to temporary and “permanent” plot effects. For point estimates of AGB in 1999 and 2010, MA and MD estimates of errors were numerically comparable, but MD errors of change were much smaller than corresponding MA errors.
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 | 0,000 |
| 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 ».