Tree Height Increment Models for National Forest Inventory Data in the Pacific Northwest, USA
Notice bibliographique
Résumé
The United States national inventory program measures a subset of tree heights in each plot in the Pacific Northwest. Unmeasured tree heights are predicted by adding the difference between modeled tree heights at two measurements to the height observed at the first measurement. This study compared different approaches for directly modeling 10-year height increment of red alder (RA) and ponderosa pine (PP) in Washington and Oregon using national inventory data from 2001–2015. In addition to the current approach, five models were implemented: nonlinear exponential, log-transformed linear, gamma, quasi-Poisson, and zero-inflated Poisson models using both tree-level (e.g., height, diameter at breast height, and compacted crown ratio) and plot-level (e.g., basal area, elevation, and slope) measurements as predictor variables. To account for negative height increment observations in the modeling process, a constant was added to shift all response values to greater than zero (log-transformed linear and gamma models), the negative increment was set to zero (quasi-Poisson and zero-inflated Poisson models), or a nonlinear model, which allows negative observations, was used. Random plot effects were included to account for the hierarchical data structure of the inventory data. Predictive model performance was examined through cross-validation. Among the implemented models, the gamma model performed best for both species, showing the smallest root mean square error (RSME) of 2.61 and 1.33 m for RA and PP, respectively (current method: RA—3.33 m, PP—1.40 m). Among the models that did not add the constant to the response, the quasi-Poisson model exhibited the smallest RMSE of 2.74 and 1.38 m for RA and PP, respectively. Our study showed that the prediction of tree height increment in Oregon and Washington can be improved by accounting for the negative and zero height increment values that are present in inventory data, and by including random plot effects in the models.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».