If you are experiencing problems downloading PDF or HTML fulltext, our helpdesk recommend clearing your browser cache and trying again. If you need help in clearing your cache, please click here . Still need help? Email help@ingentaconnect.com

Models for predicting product recovery using selected tree characteristics of black spruce

$50.00 plus tax (Refund Policy)

Buy Article:


The artificial neural network (ANN) model and five traditional statistical regression models were used to predict four parameters of simulated product recovery (lumber volume, lumber value, chip volume, and total product value) from the stud mill simulation based on three basic tree characteristics of black spruce (i.e., diameter at breast height (DBH), tree height, and tree taper). The ANN model (i.e., the three-layer perceptron with error back-propagation algorithm) performed as well as or better than the five statistical regression models in terms of statistical criteria such as R2, root mean square error, and mean absolute error of predictions. The second-order polynomial with both DBH and tree height predicted the four product recoveries as accurately as the ANN model. This study showed that the ANN model, the second-order polynomial function, and the power function were suitable for the prediction of product recovery using the selected tree characteristics. The models developed in this study allow the estimation of the product recovery of individual trees and of a forest stand before it is harvested. It is evident that these models would be valuable tools for forest resource managers.

Un modèle en réseau de neurones (RN) ainsi que cinq modèles statistiques traditionnels de régression ont été utilisés dans le but de prédire le rendement simulé de quatre paramètres de produits (volume de sciage, valeur du sciage, volume de copeaux et valeur totale des produits), lors de la simulation d'une usine de sciage de bois de colombage d'épinette noire, à partir de trois caractéristiques de base des arbres (c.-à-d., DHP, hauteur et défilement des arbres). Le modèle en RN (c.-à-d., perceptron à trois couches avec un algorithme de rétropropagation de l'erreur) s'est comporté aussi bien sinon mieux que les cinq modèles statistiques de régression sur la base de critères statistiques tels que le R2, l'erreur quadratique moyenne et l'erreur moyenne absolue des prédictions. La fonction polynomiale du second ordre avec le DHP et la hauteur des arbres prédisait le rendement des quatre produits avec autant d'exactitude que le modèle en RN. Cette étude a démontré que le modèle en RN, la fonction polynomiale du second ordre et la fonction de puissance sont adéquats pour prédire le rendement en produits à l'aide des caractéristiques choisies. Les modèles développés dans cette étude permettent d'estimer le rendement en produits de chaque arbre individuellement et d'un peuplement forestier avant qu'il soit récolté. Il apparaît évident que ces modèles pourraient être des outils très utiles pour les aménagistes forestiers.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: April 1, 2005

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
  • ingentaconnect is not responsible for the content or availability of external websites
Related content



Share Content

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
Cookie Policy
ingentaconnect 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