A bootstrap-based approach to combine individual-based forest growth models and remotely sensed data
Notice bibliographique
Résumé
Abstract Combining forest growth models with remotely sensed data is possible under a generalized hierarchical model-based (GHMB) inferential framework. This implies the existence of two submodels: the growth model itself ($\mathcal{M}_{1}$) and a second submodel that links the growth predictions to some remotely sensed variables ($\mathcal{M}_{2}$). Analytical GHMB estimators are available to fit submodel $\mathcal{M}_{2}$ and account for the uncertainty stemming from submodel $\mathcal{M}_{1}$, i.e. the growth model. However, when the growth model is individual based, it is usually too complex to be differentiated with respect to its parameters. As a result, the analytical GHMB estimators cannot be used. In this study, we developed a bootstrap approach for the GHMB inferential framework in order to combine individual-based forest growth models with remotely sensed data. Through simulation studies, we showed that the bootstrap estimators were nearly unbiased when both submodels were linear. The estimator of the parameter estimates remained nearly unbiased when submodel $\mathcal{M}_{1}$ became complex, i.e. non-differentiable, and submodel $\mathcal{M}_{2}$ was nonlinear with heterogeneous variances and correlated error terms. The variance estimator showed some biases but these were relatively small. We further demonstrated through a real-world case study that the predictions of a complex individual-based model could be linked to a Landsat-8 near-infrared spectral band in the boreal forest zone of Quebec, Canada.
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 | 0,009 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».