Temporal pattern in basal area prediction error of a growth model for Quebec’s temperate forest
Notice bibliographique
Résumé
Pour les utilisateurs, l’évaluation des performances et de la fiabilité d’un modèle de croissance est essentielle. Cependant, les biais spécifiques à l’espèce et à l’année d’observation sont rarement signalés, bien que des changements dans les conditions de croissance soient susceptibles d’augmenter la présence de tels biais dans les modèles. Dans cette étude, nous avons analysé l’erreur de prévision de la surface terrière d’Artemis, un modèle de croissance à l’échelle de l’arbre. Même si les prévisions du modèle étaient peu biaisées dans la plupart des conditions, nous avons détecté des tendances liées à l’espèce et à l’année d’observation. Ces tendances étaient les plus fortes pour l’érable à sucre (Acer saccharum Marsh.), pour lequel une sous-estimation de la surface terrière en 1975 évoluait vers une surestimation en 2010. Pour le sapin baumier (Abies balsamea (L.) Mill.), la tendance contraire a pu être observée. Une meilleure prise en compte par le modèle des conditions de croissance et des perturbations biotiques pourrait aider à diminuer les biais. Ces résultats sont pertinents pour les développeurs et pour les utilisateurs, qui doivent savoir que les prévisions du modèle de croissance pour ces deux espèces sont susceptibles d’être de plus en plus biaisées avec l’allongement de la période de simulation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».