Cork Oak Regeneration Prediction Through Multilayer Perceptron Architectures
Notice bibliographique
Résumé
In Mediterranean ecosystems, a thorough understanding of seedling regeneration dynamics as well as a good predictive ability of the process is essential for sustainable forest management. Leveraging the predictive capacity of the multilayer perceptron (MLP) as recognized as artificial intelligence methodology, the authors analyzed a real case study with a dataset encompassing environmental, ecological, and forestry variables. The study focused on the cork oak (Quercus suber, L.) seedling regeneration dynamic, which is a critical process for maintaining ecosystem resilience. A set of 10 MLP with a block from 5 to 50 neurons with hyperbolic tangent (TanH), linear (LIN), and Gaussian (GAUS) activation function were tested and their performance for predictive purposes was compared with traditional quantitative approaches. The MLP configured with 40–50 neurons per activation function (TanH, LIN, GAUS) demonstrated outstanding predictive performance, achieving an area under the curve (AUC) of the receiver operating characteristic and precision-recall scores above 0.80. These models made few prediction errors, effectively explaining the majority of the data variance, as indicated by a high generalized R2 and a low mislearning ratio. This approach outperformed traditional statistical models in predicting seedling regeneration. Tree density, stand density index, and acorn number played an important role, influencing the cork oak seedling prediction. In conclusion, the results of this research determined the importance of an AI classification modeling technique in the prediction of cork oak regeneration, providing practical references for future forest management strategy decisions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».