Updating Canada’s National Forest Inventory with multiple imputations of missing contemporary data
Notice bibliographique
Résumé
Canada’s National Forest Inventory (NFI) is facing an issue of spatial imbalance in photo interpreted data from 400 ha photo-plots available for estimation of state and change. Multiple imputations (MI) of missing data is therefore considered as a means to mitigate a potential bias arising from spatial imbalance, and—to a lesser degree— improve the precision relative to what can be achieved with the subset of plots having current data. In this study we explored MI with data from three study sites located in the provinces of Quebec, Ontario, and Saskatchewan. Specifically, we looked at state at time T 2 and change between T 1 and T 2 in cover-type area proportions and in per unit area stem volume. At each location we found significant T 1 differences in these attributes between plots with and without T 2 data. A MI procedure with 20 replications of stochastic model-based imputations of missing data was therefore effective as a way to mitigate a bias that would arise if T 2 inference was based exclusively on plots with T 2 data. Possible differences between the T 2 and T 1 photointerpretation, paired with no efficient stratification of disturbed and undisturbed plots, largely eliminated expected gains in precision from the MI boosting of the effective T 2 sample size. Despite recognized limitations, we recommend MI as an effective tool to counteract an emerging spatial imbalance in the NFI.
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 | 0,001 | 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 ».