Assessment of a probabilistic supervised machine learning method to estimate biomass expansion and conversion factors: a case study on cedar and pine trees
Notice bibliographique
Résumé
Quantifying tree and forest biomass is crucial for formulating effective forest policy and management, given its role in human resource use and carbon storage. Forest biomass significantly contributes to environmental quality by absorbing carbon dioxide. Current research focuses on accurately determining biomass factors for various tree species, reflecting the emphasis on estimating and predicting tree biomass and carbon stocks. This study employed both standard nonlinear regression modeling ( NLR) and Gaussian process regression ( GPR), a machine learning method using artificial intelligence, to estimate and predict biomass expansion and conversion factors accurately. The case study included plantation forests and naturally occurring cedar and pine trees in Türkiye’s Western Inner Anatolian Region and Göller Region (Northern Mediterranean Region). Nonlinear regression used the Levenberg-Marquardt optimization method, while GPR employed the radial basis function kernel. This dual approach allowed for assessing prediction uncertainties. The models constructed using GPR show superior performance compared to the NLR models for both biomass factors and species within the datasets used. According to the Furnival evaluation metric values, the accuracy of the NLR models was 1.05 to 1.34 times lower than that of the corresponding GPR models. The overall findings highlight the significant potential of GPR for accurately estimating and predicting biomass factors with high variances. This emphasizes its utility in modeling scenarios that require high flexibility, such as tree biomass prediction.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».