Consistent forest biomass stock and change estimation across stand, property, and landscape levels
Notice bibliographique
Résumé
Stimulating climate change mitigation actions in the forest sector requires methods to quantify the biomass stocks and changes at different geographical levels. Often, differences in data and estimation methods that are available at each level cause inconsistencies in forest parameters estimated at different levels. We propose a method to align model-based and model-assisted estimators to ensure cross-sectional and time series consistency of stock and change estimates of aboveground biomass (AGB). The method adjusts estimates within their confidence intervals using heuristic optimization to minimize the estimation errors. The method is evaluated under simulated sampling in a case study representing a forested area of approximately 50 km2 in southeastern Norway. The area is divided into 93 forest properties encompassing 3324 forest stands. The artificial forest population is generated for two time points using wall-to-wall airborne laser scanning data acquired in 2001 and 2016, as well as field surveys conducted within a similar timeframe. The adjusted AGB stock and change estimators at different levels of aggregation are compared with the original unadjusted estimators in terms of bias and root mean squared error (RMSE). The results show that the adjusted estimators do not introduce bias, and the increase in RMSE is small for the forest stand-level estimators, and even decreasing for the forest property-level estimators. The method can easily be adapted to complex systems of estimators that need to be consistent.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».