Precision of exogenous post-stratification in small-area estimation based on a continuous national forest inventory
Notice bibliographique
Résumé
National forest inventories (NFIs) are designed to provide accurate information on forest resources at the national and regional levels, but there is also a demand for such information at smaller spatial scales. Auxiliary data such as satellite imagery have been used to facilitate small-area estimation. The commonly used method, k-nearest neighbour (k-NN), provides a model-based estimator for small areas, but a design-unbiased estimator for the mean square error is not available. Post-stratification (PS) is an alternative approach to using auxiliary information that allows for design-based variance estimation. In a case study using real inventory data of the Finnish NFI, we applied this method to the municipality level to explore the lower limit to the area for which the key forest parameters, forest area and growing stock volumes, can be estimated with sufficient precision. For PS, we employed exogenous forest resources maps based on the previous NFI round. In the municipalities of the two study provinces, the relative standard errors of total volume estimates ranged from 2.3% to 26.9%. They were smaller than 10% for municipalities with an area of 390 km 2 or larger, corresponding to approximately 100 or more sample plots on forestland. We also demonstrated the usefulness of design-unbiased variance estimation in showing discrepancies between design-based PS and model-based k-NN estimates.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».