Skip to main content

Yield prediction errors of a stand density management program for black spruce and consequences for model improvement

Buy Article:

$50.00 plus tax (Refund Policy)


The objectives of this study were to (i) quantify the prediction error associated with estimating density (N (stems/ha)), quadratic mean diameter (Dq (cm)), basal area (G (m2/ha)), total volume (Vt (m3/ha)), and merchantable volume (Vm (m3/ha)) using a stand density management decision-support program (SDMDSP) developed for black spruce (Picea mariana (Mill.) BSP) plantations and (ii) given objective i, assess model adequacy by examining the relationship between prediction error and model input variables (prediction period, site index, initial density, and number of thinning treatments) by yield variate. Specifically, the SDMDSP was evaluated by comparing its yield predictions with corresponding measured values (n = 44) within 19 black spruce plantations. The resultant tolerance intervals indicated that 95% of the relative errors associated with future predictions would be within the following limits 95% of the time (minimum–maximum): (i) –27.3 to 29.7% for N, (ii) –26.1 to 14.3% for Dq, (iii) –48.3 to 26.1% for G, (iv) –64.3 to 37.7% for Vt, and (v) –87.0 to 73.0% for Vm. Graphical analysis indicated that errors for Vt and Vm were associated with the data from thinned plantations. This result is discussed within the context of residual stand structure variation and response delay from which recommendations for model improvement are derived.

Cette étude porte sur un modèle d'aide aux décisions d'aménagement basé sur la densité du peuplement et développé pour les plantations d'épinette noire (Picea mariana (Mill.) BSP). Elle avait pour objectifs (i) de quantifier les erreurs de prédiction du modèle reliées à la densité (N (tiges/ha)), au diamètre moyen quadratique (Dq (cm)), à la surface terrière (G (m2/ha)), au volume total (Vt (m3/ha)) et au volume marchand (Vm (m3/ha)), et (ii) étant donné l'objectif i, d'évaluer la fiabilité du modèle en examinant les relations entre les erreurs de prédiction des variables de rendement considérées et ses variables d'intrant (période de prédiction, indice de qualité de station, densité initiale et nombre d'éclaircies). Plus particulièrement, le modèle a été évalué en comparant ses prédictions de rendement aux valeurs mesurées correspondantes (n = 44) dans 19 plantations d'épinette noire. Pour 95 % des erreurs relatives associées aux prédictions futures, les intervalles de confiance seraient les suivants, 95 % du temps (minimum–maximum) : (i) –27,3 à 29,7 % pour N, (ii) –26,1 à 14,3 % pour Dq, (iii) –48,3 à 26,1 % pour G, (iv) –64,3 à 37,7 % pour Vt et (v) –87,0 à 73,0 % pour Vm. Les analyses graphiques montrent que les erreurs de Vt et de Vm sont associées aux données provenant des plantations éclaircies. La discussion débouche sur des recommandations pour améliorer le modèle en tenant compte de la structure des peuplements après éclaircie et du délai de leur réponse aux traitements.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: 2003-03-01

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free content
  • Partial Free content
  • New content
  • Open access content
  • Partial Open access content
  • Subscribed content
  • Partial Subscribed content
  • Free trial content
Cookie Policy
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more