Temporal pattern in basal area prediction error of a growth model for Quebec’s temperate forest
Bibliographic record
Abstract
Pour les utilisateurs, l’évaluation des performances et de la fiabilité d’un modèle de croissance est essentielle. Cependant, les biais spécifiques à l’espèce et à l’année d’observation sont rarement signalés, bien que des changements dans les conditions de croissance soient susceptibles d’augmenter la présence de tels biais dans les modèles. Dans cette étude, nous avons analysé l’erreur de prévision de la surface terrière d’Artemis, un modèle de croissance à l’échelle de l’arbre. Même si les prévisions du modèle étaient peu biaisées dans la plupart des conditions, nous avons détecté des tendances liées à l’espèce et à l’année d’observation. Ces tendances étaient les plus fortes pour l’érable à sucre (Acer saccharum Marsh.), pour lequel une sous-estimation de la surface terrière en 1975 évoluait vers une surestimation en 2010. Pour le sapin baumier (Abies balsamea (L.) Mill.), la tendance contraire a pu être observée. Une meilleure prise en compte par le modèle des conditions de croissance et des perturbations biotiques pourrait aider à diminuer les biais. Ces résultats sont pertinents pour les développeurs et pour les utilisateurs, qui doivent savoir que les prévisions du modèle de croissance pour ces deux espèces sont susceptibles d’être de plus en plus biaisées avec l’allongement de la période de simulation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".