XiaoMi-AI文件搜索系统
World File Search Systemdiameter
肌肉纤维直径的定量确定（...
营养不良肌肉中的病理过程包括明显的变性和肌肉纤维的再生。这些过程可以通过测量肌肉纤维的直径以及确定具有集中核的肌肉纤维的比例（指示肌肉再生）。所描述的方法依赖于通过使用肌肉纤维横截面的最小“ FERET直径”来说明肌肉纤维尺寸的确定。与肌肉纤维尺寸的其他形态计量参数不同，最小的“ Feret直径”在实验误差（例如截面角的方向）上非常健壮。此外，在一组代表性的肌肉中，最小的“ FERET直径”可靠地区分营养不良和正常表型。如果不可能评估最小的“ Feret直径”，则建议提出替代参数。此外，将集中核的百分比确定为指示营养不良肌肉再生的量度。一旦可以使用整个肌肉的数字图像，就可以轻松实现其他测量参数（例如总肌肉横截面区域）。与其他染色程序结合使用，可以通过对系统进行少量修改来评估其他病理参数（例如坏死区，巨噬细胞浸润等。）。
根据机载激光扫描得出的树木直径建模...
过去，在野外准确测量树高比测量树胸高更困难。因此，林业文献中广泛开发了根据直径测量预测树高模型。通过使用机载激光扫描技术（例如 LiDAR），可以准确测量树高和树冠直径等树木变量，这一发展催生了对根据机载激光测量预测直径的模型的需求。尽管已经进行了一些拟合此类模型的工作，但没有一个模型能够结合空间信息来提高预测直径的准确性。使用简单的线性模型，根据激光测得的树高和树冠直径测量结果预测树木直径，我们比较了普通最小二乘法 (OLS)、具有非零相关结构的广义最小二乘法 (GLS)、线性混合效应模型 (LME) 和地理加权回归 (GWR) 的性能。我们的数据来自挪威建立的 36 个样地。这是第一项研究树木级 LiDAR 数据的空间统计模型使用情况的研究。使用 LME 预测树木直径的误差为 3.5%，使用 GWR 预测误差为 10%，使用 OLS 预测误差为 17%。LME 在所有验证类中的预测性能也表现出较低的变异性。考虑到使用参数统计推断（例如基于最大似然的指数）对 GWR 的困难，我们使用置换检验和引导法作为检测统计差异的方法。LME 明显优于其他模型，GWR 优于 OLS 和 GLS。我们的结果表明，LME 模型根据基于 LiDAR 的变量对树木直径的预测效果最佳，达到以前无法达到的程度。
根据机载激光扫描得出的树木直径建模...
过去，在野外准确测量树高比测量树胸高更困难。因此，林业文献中广泛开发了根据直径测量预测树高模型。通过使用机载激光扫描技术（例如 LiDAR），可以准确测量树高和树冠直径等树木变量，这一发展催生了对根据机载激光测量预测直径的模型的需求。尽管已经进行了一些拟合此类模型的工作，但没有一个模型能够结合空间信息来提高预测直径的准确性。使用简单的线性模型，根据激光测得的树高和树冠直径测量结果预测树木直径，我们比较了普通最小二乘法 (OLS)、具有非零相关结构的广义最小二乘法 (GLS)、线性混合效应模型 (LME) 和地理加权回归 (GWR) 的性能。我们的数据来自挪威建立的 36 个样地。这是第一项研究树木级 LiDAR 数据的空间统计模型使用情况的研究。使用 LME 预测树木直径的误差为 3.5%，使用 GWR 预测误差为 10%，使用 OLS 预测误差为 17%。LME 在所有验证类中的预测性能也表现出较低的变异性。考虑到使用参数统计推断（例如基于最大似然的指数）对 GWR 的困难，我们使用置换检验和引导法作为检测统计差异的方法。LME 明显优于其他模型，GWR 优于 OLS 和 GLS。我们的结果表明，LME 模型根据基于 LiDAR 的变量对树木直径的预测效果最佳，达到以前无法达到的程度。