Combining Area-Based and Individual Tree Metrics for Improving Merchantable and Non-Merchantable Wood Volume Estimates in Coastal Douglas-Fir Forests
Notice bibliographique
Résumé
Forest management practices can increase climate change mitigation potential through applications focused on carbon budgets. One such application involves utilizing non-merchantable material (i.e., logging residues typically piled and burned) for bio-energy. However, limited remote sensing data is available for estimating wood residues until after timber has been harvested, at which point recovery of residual wood is of little financial interest. This research utilizes a hybrid method to develop models that provide pre-harvest estimates of the amount of merchantable and non-merchantable material that would result from harvesting and investigates the scalability and transferability of such measures to the harvest block level. Models were trained using 38 plots across two sites dominated by Douglas-fir, then expanded to ten harvest blocks, and transferred to eight blocks from two sites without training data before being compared against multiple independent block-level estimates. Model results showed root mean square errors of 35% and 38% for merchantable and non-merchantable volumes, respectively. Merchantable volume estimates in blocks with training had average absolute differences from the harvest scale (9–34%) similar to transferred blocks without training (15–20%). Non-merchantable model results were also similar in both trained and transferred harvest blocks, with the pre-harvest model results having lower differences from the post-harvest geospatial versus field surveys. The results from this study show promise for hybrid methods to improve estimates of merchantable wood volume compared to conventional forest cover data approaches, and provide the ability to predict non-merchantable volumes within the range of accuracy of post-harvest residue survey methods.
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) | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».