Assessing components of the model-based mean square error estimator for remote sensing assisted forest applications
Notice bibliographique
Résumé
Model-based inference is an alternative to probability-based inference for small areas or remote areas for which probability sampling is difficult. Model-based mean square error estimators incorporate three components: prediction covariance, residual variance, and residual covariance. The latter two components are often considered negligible, particularly for large areas, but no thresholds that justify ignoring them have been reported. The objectives of the study were threefold: (i) to compare analytical and bootstrap estimators of model parameter covariances as the primary factors affecting prediction covariance; (ii) to estimate the contribution of residual variance to overall variance; and (iii) to estimate thresholds for residual spatial correlation that justify ignoring this component. Five datasets were used, three from Europe, one from Africa, and one from North America. The dependent variable was either forest volume or biomass and the independent variables were either Landsat satellite image bands or airborne laser scanning metrics. Three conclusions were noteworthy: (i) analytical estimators of the model parameter covariances tended to be biased; (ii) the effects of residual variance were mostly negligible; and (iii) the effects of spatial correlation on residual covariance vary by multiple factors but decrease with increasing study area size. For study areas greater than 75 km 2 in size, residual covariance could generally be ignored.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».