Construction of compatible and additive individual-tree biomass models for <i>Pinus</i> <i>tabulaeformis</i> in China
Notice bibliographique
Résumé
Current biomass models for Chinese pine (Pinus tabulaeformis Carr.) fail to accurately estimate biomass in large geographic regions because they were usually based on limited sample trees on local sites, incompatible with stem volume, and not additive among components and total biomass. This study was based on mensuration data of individual-tree biomass from large samples of Chinese pine. The purpose was to construct compatible and additive biomass models using the nonlinear error-in-variable simultaneous equations and dummy variable modeling approach. This approach could ensure compatibility of an aboveground biomass model with a biomass conversion factor (BCF) and a stem volume model and compatibility of a belowground biomass model with a root-to-shoot ratio (RSR) model. Also, stem, branch, and foliage biomass models were additive to the aboveground biomass model. Results showed that mean prediction errors (MPEs) of the developed one- and two-variable aboveground biomass models were less than 4% and MPEs of the three-component (stem, branch, and foliage) and belowground biomass models were less than 10%. Furthermore, the effects of main climate variables on above- and below-ground biomass were analyzed. Aboveground biomass was related to mean annual temperature (MAT), while belowground biomass had no significant relationship with either MAT or mean annual precipitation (MAP). The developed models provide a good basis for estimating biomass of Chinese pine forests.
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 ».