Estimating Stem Diameter Distributions in a Management Context for a Tolerant Hardwood Forest Using ALS Height and Intensity Data
Notice bibliographique
Résumé
Two types of nonparametric modeling techniques and various metrics derived from airborne laser scanning (ALS) data were examined in terms of their utility for modeling stem diameter distributions in an uneven-aged tolerant hardwood forest in Ontario, Canada. Using an area-based approach (ABA), the frequency distribution of trees across 6 size classes was predicted using k-nearest neighbor (k-NN) imputation and Random Forest (RF) regression. Predictor variables derived from ALS height and intensity data were divided into 3 groups: height only, intensity only, and all metrics. Prediction results demonstrated that the first 2 groups of predictor variables exhibited similar predictive accuracy, whereas the synergy of both resulted in enhanced performance. The utility of intensity-based metrics was corroborated by an importance measure obtained from RF. The size class-specific stem density estimation approach based on RF was more accurate and flexible than the simultaneous estimation approach based on k-NN models. After the predicted diameter distributions were grouped into 9 structural groups, heterogeneous accuracy scores revealed the challenges for predicting select diameter distributions. Although successes were observed for certain size classes, there remains additional research (e.g., development of additional metrics or data types) to be done to accurately predict a complete range of size classes.
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 | 0,000 |
| 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 ».