High Resolution Site Index Prediction in Boreal Forests Using Topographic and Wet Areas Mapping Attributes
Notice bibliographique
Résumé
The purpose of this study was to evaluate the relationships between environmental factors and the site index (SI) of trembling aspen, lodgepole pine, and white spruce based on the sampling of temporary sample plots. LiDAR generated digital elevation models (DEM) and wet areas mapping (WAM) provided data at a 1 m resolution for the study area in Alberta. Six different catchment areas (CA), ranging from 0.5 ha to 10 ha, were tested to reveal optimal CA for calculation of the depth-to-water (DTW) index from WAM. Using different modeling methods, species-specific SI models were developed for three datasets: (1) topographic and wet area variables derived from DEM and WAM, (2) only WAM variables, and (3) field measurements of soil and topography. DTW was selected by each statistical method for each species and, in most cases, DTW was the strongest predictor in the model. In addition, differences in strength of relationships were found between species. Models based on remotely-sensed information predicted SI with a root mean squared error (RMSE) of 1.6 m for aspen and lodgepole pine, and 2 m for white spruce. This approach appears to adequately portray the variation in productivity at a fine scale and is potentially applicable to forest growth and yield modeling and silviculture planning.
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 | 0,000 | 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 ».