Desarrollo de un modelo de incremento de área basal de árbol individual mediante un enfoque lineal de efectos mixtos

Summary

Los modelos de efectos mixtos son herramientas flexibles y útiles para analizar datos con una estructura estocástica jerárquica en la silvicultura y también podrían utilizarse para mejorar significativamente el rendimiento de los modelos de crecimiento forestal. Aquí se presenta un protocolo que sintetiza información relacionada con modelos lineales de efectos mixtos.

Abstract

Aquí, desarrollamos un modelo de árbol individual de incrementos de área basal de 5 años basados en un conjunto de datos que incluye 21898 árboles picea asperata de 779 parcelas de muestra ubicadas en la provincia de Xinjiang, en el noroeste de China. Para evitar altas correlaciones entre las observaciones de la misma unidad de muestreo, desarrollamos el modelo utilizando un enfoque lineal de efectos mixtos con efecto de trazado aleatorio para tener en cuenta la variabilidad estocástica. Se incluyeron varias variables a nivel de árbol y stand, como índices para el tamaño de los árboles, la competencia y la condición del sitio, como efectos fijos para explicar la variabilidad residual. Además, se describió la heteroscedasticidad y la autocorrelación mediante la introducción de funciones de varianza y estructuras de autocorrelación. El modelo óptimo de efectos mixtos lineales fue determinado por varias estadísticas de ajuste: el criterio de información de Akaike, el criterio de información bayesiano, la probabilidad de logaritmo y una prueba de relación de probabilidad. Los resultados indicaron que variables significativas del incremento del área basal de los árboles individuales fueron la transformación inversa del diámetro a la altura de las mamas, el área basal de los árboles más grande que el árbol sujeto, el número de árboles por hectárea y la elevación. Además, los errores en la estructura de varianza fueron modelados con mayor éxito por la función exponencial, y la autocorrelación fue corregida significativamente por la estructura autoregresiva de primer orden (AR(1)). El rendimiento del modelo lineal de efectos mixtos se mejoró significativamente en relación con el modelo utilizando la regresión ordinaria de mínimos cuadrados.

Introduction

En comparación con el monocultivo envejecida uniforme, la gestión forestal de especies mixtas de edad desigual con múltiples objetivos ha recibido una mayor atención recientemente^1,2,3. La predicción de diferentes alternativas de gestión es necesaria para formular estrategias sólidas de gestión forestal, especialmente para los complejos bosques de especies mixtas de edad desigual^4. Los modelos de crecimiento y rendimiento de los bosques se han utilizado ampliamente para pronosticar el desarrollo y la cosecha de árboles o soportes en virtud de diversos esquemas de gestión^5,6,7. Los modelos de crecimiento y rendimiento de los bosques se clasifican en modelos de árboles individuales, modelos de tamaño y modelos de crecimiento integral^6,7,8. Desafortunadamente, los modelos de clase de tamaño y los modelos integrales no son apropiados para los bosques de especies mixtas de edad desigual, que requieren una descripción más detallada para apoyar el proceso de toma de decisiones de gestión forestal. Por esta razón, los modelos de crecimiento y rendimiento de árboles individuales han recibido una mayor atención a lo largo de las últimas décadas debido a su capacidad para hacer predicciones para los puestos forestales con una variedad de composiciones de especies, estructuras y estrategias de gestión^9,10,11.

La regresión ordinaria de los mínimos cuadrados (OLS) es el método más utilizado para el desarrollo de modelos de crecimiento de árboles individuales^12,13,14,15. Los conjuntos de datos para modelos de crecimiento de árboles individuales recopilados repetidamente durante un período de tiempo fijo en la misma unidad de muestreo (es decir, gráfica de muestra o árbol) tienen una estructura estocástica jerárquica, con una falta de independencia y una alta correlación espacial y temporal entre las observaciones^10,16. La estructura estocástica jerárquica infringe los supuestos fundamentales de la regresión OLS: a saber, residuos independientes y datos normalmente distribuidos con desviaciones iguales. Por lo tanto, el uso de la regresión OLS produce inevitablemente estimaciones sesgadas del error estándar de las estimaciones de parámetros para estos datos^13,14.

Los modelos de efectos mixtos proporcionan una potente herramienta para analizar datos con estructuras complejas, como datos de medidas repetidas, datos longitudinales y datos de varios niveles. Los modelos de efectos mixtos constan tanto de componentes fijos, comunes a la población completa, como de componentes aleatorios, que es específico de cada nivel de muestreo. Además, los modelos de efectos mixtos tienen en cuenta la heteroscedasticidad y la autocorrelación en el espacio y el tiempo mediante la definición de matrices de estructura de varianza-covarianza no diagonales^17,18,19. Por esta razón, los modelos de efectos mixtos se han utilizado ampliamente en la silvicultura, como en los modelos de altura de diámetro^20,21,modelos de corona^22,23,modelos de auto-adelgazamiento^24,25y modelos de crecimiento^26,27.

Aquí, el objetivo principal era desarrollar un modelo de incremento de área basal de árbol individual utilizando un enfoque lineal de efectos mixtos. Esperamos que el enfoque de efectos mixtos pueda aplicarse ampliamente.

Protocol

1. Preparación de datos Preparar datos de modelado, que incluyen información de árboles individuales (especies y diámetro a la altura de la mama a 1,3 m) e información de la parcela (pendiente, aspecto y elevación). En este estudio, los datos se obtuvieron del 8º (2009) y el 9º (2014) Inventario Forestal Nacional Chino en la provincia de Xinjiang, en el noroeste de China, que incluye 21.898 observaciones de 779 parcelas de muestra. Estas parcelas de muestra tienen forma cuadrada con un tamaño de 1 Mu (…

Representative Results

El modelo básico de incremento de área basal para P. asperata se expresó como Ecuación (7). Las estimaciones de parámetros, sus errores estándar correspondientes y las estadísticas de falta de ajuste se muestran en la Tabla 2. La gráfica residual se muestra en la Figura 1. Se observó heteroscedasticidad pronunciada de los residuos.(7) …

Discussion

Un problema crucial para el desarrollo de modelos de efectos mixtos es determinar qué parámetros pueden tratarse como efectos aleatorios y cuáles deben considerarse efectos fijos^34,35. Se han propuesto dos métodos. El enfoque más común es tratar todos los parámetros como efectos aleatorios y luego tener el mejor modelo seleccionado por AIC, BIC, Loglik y LRT. Este fue el método empleado por nuestro estudio^35. Una alternativa es ada…

Materials

Computer	acer
Microsoft Office 2013
R x64 3.5.1