Evaluation of the mixed-effects model and quantile regression approaches for predicting tree height in larch (<i>Larix olgensis</i>) plantations in northeastern China
Notice bibliographique
Résumé
Tree height (H) is one of the most important tree variables and is widely used in growth and yield models, and its measurement is often time-consuming and costly. Hence, height–diameter (H–D) models have become a great alternative, providing easy-to-use and accurate tools for H prediction. In this study, H–D models were developed for Larix olgensis A. Henry in northeastern China. The Chapman–Richards function with three predictors (diameter at breast height, dominant tree height, and relative size of individual trees) performed best. Nonlinear mixed-effects (NLME) models and nonlinear quantile regressions (NQR9, nine quantiles; NQR5, five quantiles; and NQR3, three quantiles) were further used and improved the generalized H–D model, successfully providing accurate H predictions. In addition, the H predictions were calibrated using several measurements from subsamples, which were obtained from different sampling designs and sizes. The results indicated that the predictive accuracy was higher when calibrated by using any number of height measurements for the NLME model and more than three height measurements for the NQR3, NQR5, and NQR9 models. The best sampling strategy for the NLME and NQR models involved sampling medium-sized trees. Overall, the newly developed H–D models can provide highly accurate height predictions for L. olgensis.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».