Error propagation in forest growth models in the context of regional forecasts
Notice bibliographique
Résumé
In forestry, tree-level growth models provide predictions of forest dynamics andthereby, they support decision-making. Although they are widely used, the uncertainty of their predictions is rarely assessed. Understanding the sources of uncertainty and estimating their impact is an essential step forward in a period where large-scale forecasts are becoming more popular. This thesis addresses the issue of uncertainty estimation in regional growth forecasts. The effects of large-scale disturbances were also studied.The growth model ARTEMIS-2009, which applies to most forest types in Quebec,Canada, was taken as a case study. A bootstrap hybrid estimator was used toestimate the model- and the sampling-related variances. The total variance wasthen decomposed to determine which model component induced the greatest shareof variance in the forecasts. Then, the survival analysis approach was used to develop a harvest model based on plot and regional variables. This model was integrated into ARTEMIS so that harvesting combined with spruce budworm (SBW) outbreaks were accounted in the simulations. Then, their contributions in terms of uncertainty were estimated. The results revealed that the sampling accounted for most of the variance in short-term forecasts. In long-term forecasts, the model contribution turned out to be as important as that of the sampling. The variance decomposition per model component indicated that the mortality sub-model induced the highest variability in the forecasts. A great deal of uncertainty was induced by the natural disturbances when they were accounted for in the projections. In particular, SBW showed to be the most important source of uncertainty compared to harvest activities and sampling. In the light of these results, our recommendations are that the effort to reduce uncertainty should focus on the sampling in short-term forecasts, and on the mortality sub-model and SBW occurrence in mid- and long-term forecasts.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».