Mixtures of airborne lidar-based approaches improve predictions of forest structure
Notice bibliographique
Résumé
The most common method for modeling forest attributes with airborne lidar, the area-based approach, involves summarizing the point cloud of individual plots and relating this to attributes of interest. Tree- and voxel-based approaches have been considered as alternatives to the area-based approach but are rarely considered in an area-based context. We estimated three forest attributes (basal area, overstory biomass, and volume) across 1680 field plots in Arizona and New Mexico. Variables from the three lidar approaches (area, tree, and voxel) were created for each plot. Random forests were estimated using subsets of variables based on each individual lidar approach and mixtures of each approach. Boruta feature selection was performed on variable subsets, including the mixture of all lidar-approach predictors (KS-Boruta). A corrected paired t test was utilized to compare six validated models (area-Boruta, tree-Boruta, voxel-Boruta, KS-Boruta, KS-all, and ridge-all) for each forest attribute. Based on significant reductions in error (SMdAPE), basal area and biomass were best modeled with KS-Boruta, while volume was best modeled with KS-all. Analysis of variable importance shows that voxel-based predictors are critical for the prediction of the three forest attributes. This study highlights the importance of multiresolution voxel-based variables for modeling forest attributes in an area-based context.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».