<i>sgsR</i>: a structurally guided sampling toolbox for LiDAR-based forest inventories
Notice bibliographique
Résumé
Abstract Establishing field inventories can be labor intensive, logistically challenging and expensive. Optimizing a sample to derive accurate forest attribute predictions is a key management-level inventory objective. Traditional sampling designs involving pre-defined, interpreted strata could result in poor selection of within-strata sampling intensities, leading to inaccurate estimates of forest structural variables. The use of airborne laser scanning (ALS) data as an applied forest inventory tool continues to improve understanding of the composition and spatial distribution of vegetation structure across forested landscapes. The increased availability of wall-to-wall ALS data is promoting the concept of structurally guided sampling (SGS), where ALS metrics are used as an auxiliary data source driving stratification and sampling within management-level forest inventories. In this manuscript, we present an open-source R package named sgsR that provides a robust toolbox for implementing various SGS approaches. The goal of this package is to provide a toolkit to facilitate better optimized allocation of sample units and sample size, as well as to assess and augment existing plot networks by accounting for current forest structural conditions. Here, we first provide justification for SGS approaches and the creation of the sgsR toolbox. We then briefly describe key functions and workflows the package offers and provide two reproducible examples. Avenues to implement SGS protocols according to auxiliary data needs are presented.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».