Imputing Tree Lists for New Brunswick Spruce Plantations Through Nearest-Neighbor Matching of Airborne Laser Scan and Inventory Plot Data
Notice bibliographique
Résumé
Light detection and ranging (LiDAR) has greatly improved the spatial resolution and accuracy of operational forest inventories. However, a cost-effective method to impute species-specific tree-level inventory is needed, to be used as input to tree or stand growth models to project single-point-in-time LiDAR estimates. We evaluated a method to match stand structural variables estimated from LiDAR to those in a library of over 5,500 sample plot measurements to impute tree lists for LiDAR grid cells across 83,000 ha of spruce (Picea sp.) plantations. Matches were determined based on planted species and minimum sum of squared difference between 6 inventory variables. Forest inventory variables obtained by the plot matches were highly correlated (r = 0.91–0.99) with those measured on 98 validation plots. Basal area distributions derived from plot matching were statistically equivalent to those observed on the validation plots 86% of the time (α = 0.05). When we aggregated the predictions for all validation plots, there was minimal difference between predicted and actual basal area distributions by planted species and species compositions were similar. Plot matching is a valid method to impute tree lists for LiDAR cells that combine the wealth of existing plot data with high resolution LiDAR-derived variables.
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 | 0,000 | 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 | 0,001 | 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) | 0,000 | 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 ».