Evaluating Effects of Remotely Sensed Neighborhood Crowding and Depth-to-Water on Tree Height Growth
Notice bibliographique
Résumé
Previous research on the effects of neighborhood crowding and soil moisture on tree height growth have been limited by time-consuming and sometimes inaccurate ground-based measurements of tree height. Recent developments in unmanned aerial vehicles (UAVs) allow detailed 3D point clouds of the canopy surface to be generated at relatively low cost. Using UAV-derived point clouds, we obtained height measurements of 4386 trees for the years 2019 and 2021. We also calculated four neighborhood crowding indices and a topography-based moisture index (depth-to-water) for these trees. Using initial tree height, neighborhood crowding indices and the depth-to-water index, we developed Bayesian hierarchical models to predict height growth for three tree species (Picea glauca (white spruce), Populus tremoluides (trembling aspen) and Pinus contorta (lodgepole pine)) across different stands. Bayes-R2 values of the final models were highest for white spruce (35%) followed by trembling aspen (28%) and lodgepole pine (25%). Model outputs showed that the effect of crowding and depth-to-water on height growth are limited and species-dependent, adding a maximum of 7% to the Bayes-R2 metric. Comparing different neighborhood crowding indices revealed that no index is clearly superior to others across all three species, as different neighborhood crowding indices resulted in only minor differences in model performance. While height growth can be partially explained by aerially derived neighborhood crowding indices and the depth-to-water index, future studies should focus on identifying relevant site characteristics to predict tree growth with greater accuracy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».