Mapping site index and volume increment from forest inventory, Landsat, and ecological variables in Tahoe National Forest, California, USA
Notice bibliographique
Résumé
High-resolution site index (SI) and mean annual increment (MAI) maps are desired for local forest management. We integrated field inventory, Landsat, and ecological variables to produce 30 m SI and MAI maps for the Tahoe National Forest (TNF) where different tree species coexist. We converted species-specific SI using adjustment factors. Then, the SI map was produced by (i) intensifying plots to expand the training sets to more climatic, topographic, soil, and forest reflective classes, (ii) using results from a stepwise regression to enable a weighted imputation that minimized the effects of outlier plots within classes, and (iii) local interpolation and strata median filling to assign values to pixels without direct imputations. The SI (reference age is 50 years) map had an R2 of 0.7637, a root-mean-square error (RMSE) of 3.60, and a mean absolute error (MAE) of 3.07 m. The MAI map was similarly produced with an R2 of 0.6882, an RMSE of 1.73, and a MAE of 1.20 m3·ha−1·year−1. Spatial patterns and trends of SI and MAI were analyzed to be related to elevation, aspect, slope, soil productivity, and forest type. The 30 m SI and MAI maps can be used to support decisions on fire, plantation, biodiversity, and carbon.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 0,001 |
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 ».