Simultaneous estimation of biomass models for 13 tree species: effects of compatible additivity requirements
Notice bibliographique
Résumé
A desirable feature of biomass models distinguishing different tree components is compatible additivity of the component functions. Due to forcing of parameter estimates, such additivity is achieved at an expense of precision of the component functions. This study aimed to analyse the loss of precision incurred by forcing of parameters in tree biomass models due to (i) additivity constraints, (ii) combining global and species-specific parameters, and (iii) estimating component functions simultaneously as a system instead of as individual equations. Based on biomass data from 697 trees including 13 different species, we estimated a set of compatibly additive, nonlinear biomass models using simultaneous estimation and compared these with less restricted model systems. In line with other similar studies, the overall model system explained 88%–99% of the variation in individual biomass components. Compared with the unrestricted model, restricting parameters to obtain compatible additivity resulted in a change in RMSE of –0.6% to 5.4%. When restricting parameter estimates using both species-specific and global parameters, RMSE increased by 1.7%–13.1%. Estimating model parameters using simultaneous estimation (nonlinear iterated seemingly unrelated regression, NSUR) increased model bias compared with ordinary least squares estimation (OLS) for most biomass components. Contrary to expectations, NSUR estimation did not lead to a reduction in the standard error of estimates.
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 | 0,013 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».