Separating Regressions for Model Fitting to Reduce the Uncertainty in Forest Volume-Biomass Relationship
Notice bibliographique
Résumé
The method of forest biomass estimation based on a relationship between the volume and biomass has been applied conventionally for estimating stand above- and below-ground biomass (SABB, t ha−1) from mean growing stock volume (m3 ha−1). However, few studies have reported on the diagnosis of the volume-SABB equations fitted using field data. This paper addresses how to (i) check parameters of the volume-SABB equations, and (ii) reduce the bias while building these equations. In our analysis, all equations were applied based on the measurements of plots (biomass or volume per hectare) rather than individual trees. The volume-SABB equation is re-expressed by two Parametric Equations (PEs) for separating regressions. Stem biomass is an intermediate variable (parametric variable) in the PEs, of which one is established by regressing the relationship between stem biomass and volume, and the other is created by regressing the allometric relationship of stem biomass and SABB. A graphical analysis of the PEs proposes a concept of “restricted zone,” which helps to diagnose parameters of the volume-SABB equations in regression analyses of field data. The sampling simulations were performed using pseudo data (artificially generated in order to test a model) for the model test. Both analyses of the regression and simulation demonstrate that the wood density impacts the parameters more than the allometric relationship does. This paper presents an applicable method for testing the field data using reasonable wood densities, restricting the error in field data processing based on limited field plots, and achieving a better understanding of the uncertainty in building those equations.
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 | 0,000 |
| 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 | 0,001 |
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 ».