Predicting Douglas-fir wood density by artificial neural networks (ANN) based on progeny testing information
Notice bibliographique
Résumé
Abstract A heuristic wood density prediction model has been developed by means of artificial neural networks (ANNs). Four populations of 32-year-old coastal Douglas-fir (Pseudotsuga menziesii (Mirb.) Franco var. menziesi) trees representing 20 full-sib families growing on comparable sites were in focus of this study. Tree height, diameter, volume, wood density, and acoustic velocity data from 632 trees were considered for the calculations. Two different ANN platforms were developed employing different classes and architectures, namely, the multilayer feed-forward (MLFF) and modular (MOD) models. After establishing the optimal configuration of the model, a MLFF network and a MOD neural network (with the obtained optimal structure) were developed and tested without cross-validation by employing a typical training and testing set methodology. To this purpose, the data set was divided in 480 trees for training and 152 trees for validation. A significant relationship between actual and predicted wood density was obtained with R2 values of 0.50 and 0.52 for the two networks, respectively, demonstrating their predictive potential for wood density estimation. A classic multiple regression analysis produced substantially lower predictive power with an R2 of 0.23. The application of ANNs as a viable predictive tool in determining wood density using growth and acoustic velocity data without additional intrusive sampling and laboratory work was demonstrated. An additional work including other species is required for these approaches.
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 | 0,001 | 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 | 0,000 | 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 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 ».