Building a high-resolution site index map using boosted regression trees: the Norwegian case
Notice bibliographique
Résumé
Accurate estimation of site productivity is essential for forest projections and scenario modelling. We present and evaluate models to predict site index (SI) and whether a site is productive (potential total stem volume production ≥ 1 m3·ha−1·year−1) in a wall-to-wall high-resolution (16 m × 16 m) SI map for Norway. We investigate whether remotely sensed data improve predictions. We also study the advantages and disadvantages of using boosted regression trees (BRT), a machine-learning algorithm, to create high-accuracy SI maps. We use climatic and topographical data, soil parent material, a land resource map, and depth to water, together with Sentinel-2 satellite images and airborne laser scanning metrics, as predictor variables. We use the SI observed at more than 10 000 National Forest Inventory (NFI) sample plots throughout Norway to fit BRT models and validate the models using 5822 independent temporary plots from the NFI. We benchmark our results against SI estimates from forest monitoring inventories. We find that the SI from BRT has root mean squared error (RMSE) ranging from 2.3 m (hardwoods) to 3.6 m (spruce) when tested against independent validation data from the NFI temporary plots. These RMSEs are similar or marginally better than an evaluation of SI estimates from operational forest management plans where SI normally stems from manual photo interpretation.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 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 ».