Predicting and calibrating height to crown base: a case for Dahurian larch (<i>Larix gmelinii</i> Rupr.) in Northeastern China
Notice bibliographique
Résumé
The applicability of height to crown base (HCB) appears to be particularly broad given the important impact on explaining tree growth dynamics. Given the high cost of measuring HCB, accurate prediction with a few trees is popular in forestry practice. In this study, a fixed-effects model (FEM), a mixed-effects model (MEM), and quantile regressions (QR) were adopted to predict HCB using data from natural secondary forests of Dahurian larch ( Larix gmelinii Rupr.) in Northeastern China. Corresponding calibration techniques were applied to trees with different sample designs (random selection, the thickest tree selection, the intermediate tree selection, and the thinnest tree selection) and sample sizes (1–10 trees per plot). The results showed that all models achieved accurate HCB predictions. The QR calibration technique of 3-quantiles achieved simple and accurate consequences compared to 5-quantiles and 9-quantiles. MEM displayed the most robust and superior statistics. The selection of the two thickest trees was recommended for the MEM. For FEM and QR, the sample size should be exceeded by 5. Generally, a combination of MEM and sampling two thickest trees per plot to predict HCB is recommended as a win–win solution that neither sacrifices model prediction accuracy nor minimizes the required measurement cost.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».