Predicting stand attributes of loblolly pine in West Gulf Coastal Plain using gradient boosting and random forests
Notice bibliographique
Résumé
Predicting future stand yield as a function of current stand conditions is important to forest managers. Two machine-learning techniques, gradient boosting (GB) and random forests (RF), were used to predict stand mean height of dominant and codominant trees (HT), trees per hectare (Tree·ha−1), and basal area per hectare (BA·ha−1) based on data sets collected from extensively and intensively managed loblolly pine (Pinus taeda L.) plantations in the West Gulf Coastal Plain region. Models were evaluated using coefficient of determination (R2) and bias by applying models to independent tests and validation data sets and then comparing to conventional statistical models (Coble-2017) currently being used in the region. For extensively managed plantations, the GB models had less bias than the RF models. For model precision (R2), the GB models were consistently better than the RF models, and the HT model was the best, followed by those of Tree·ha−1 and BA·ha−1. Even for BA·ha−1, the GB and RF models had R2 over 0.81. GB and RF models outperformed the Coble-2017 model; differences were not substantial for Tree·ha−1 but were significant for HT and BA·ha−1 (R2 = 0.96, 0.95, and 0.88 for HT and 0.84, 0.81, and 0.76 for BA). Important predictors identified by GB and RF and their contributions to the models were similar. For intensively managed plantations, GB and RF were similarly accurate in predicting HT and Tree·ha−1, but GB outperformed RF in predicting BA·ha−1 (R2 = 0.87 versus 0.75). We conclude that both GB and RF, although the former is preferred, can be effective in predicting future stand attributes. Forest managers can use the models presented here to predict quantitative information required for managing loblolly pine plantations in the region.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».