Sviluppo di un modello di incremento dell'area basale a albero individuale mediante un approccio lineare ad effetti misti

Summary

I modelli ad effetti misti sono strumenti flessibili e utili per analizzare i dati con una struttura stocastica gerarchica nella silvicoltura e potrebbero anche essere utilizzati per migliorare significativamente le prestazioni dei modelli di crescita forestale. Qui viene presentato un protocollo che sintetizza le informazioni relative ai modelli lineari ad effetti misti.

Abstract

Qui, abbiamo sviluppato un modello a albero individuale di incrementi di area basale di 5 anni basati su un set di dati che include 21898 alberi picea asperata da 779 appezzamenti campione situati nella provincia dello Xinjiang, nel nord-ovest della Cina. Per evitare alte correlazioni tra le osservazioni della stessa unità di campionamento, abbiamo sviluppato il modello utilizzando un approccio lineare ad effetti misti con effetto grafico casuale per tenere conto della variabilità stocastica. Varie variabili ad albero e stand-level, come gli indici per le dimensioni degli alberi, la concorrenza e le condizioni del sito, sono state incluse come effetti fissi per spiegare la variabilità residua. Inoltre, l’eteroscedasticità e l’autocorrelazione sono state descritte introducendo funzioni di varianza e strutture di autocorrelazione. Il modello ottimale degli effetti misti lineari è stato determinato da diverse statistiche di adattamento: il criterio informativo di Akaike, il criterio dell’informazione bayesiana, la probabilità logaritmo e un test del rapporto di verosimiglianza. I risultati hanno indicato che variabili significative dell’incremento dell’area basale del singolo albero erano la trasformazione inversa del diametro all’altezza del seno, l’area basale degli alberi più grande dell’albero soggetto, il numero di alberi per ettaro e l’elevazione. Inoltre, gli errori nella struttura di varianza sono stati modellati con maggior successo dalla funzione esponenziale, e l’autocorrelazione è stata significativamente corretta dalla struttura autoregressiva di primo ordine (AR(1)). Le prestazioni del modello lineare degli effetti misti sono state significativamente migliorate rispetto al modello utilizzando la regressione ordinaria dei meno quadrati.

Introduction

Rispetto alla monocoltura invecchiata uniforme, la gestione forestale di specie miste di età irregolare con molteplici obiettivi ha ricevuto recentemente^{una maggiore attenzione 1,2,3}. La previsione di diverse alternative di gestione è necessaria per formulare solide strategie di gestione forestale, in particolare per la complessa foresta di specie miste di età irregolare⁴. I modelli di crescita e resa delle foreste sono stati ampiamente utilizzati per prevedere lo sviluppo e il raccolto di alberi o stand^{nell’ambito di vari schemi di gestione 5,6,7}. I modelli di crescita e resa delle foreste sono classificati in modelli a albero singolo, modelli di classe di dimensioni e modelli di crescita interi^6,7,8. Sfortunatamente, i modelli di classe di dimensioni e i modelli di stand interi non sono appropriati per le foreste di specie miste di età non uniforme, che richiedono una descrizione più dettagliata per sostenere il processo decisionale di gestione forestale. Per questo motivo, i modelli di crescita e resa dei singoli alberi hanno ricevuto una maggiore attenzione negli ultimi decenni a causa della loro capacità di fare previsioni per gli stand forestali con una varietà di composizioni, strutture e strategie di^{gestione delle specie 9,10,11}.

La regressione OLS (Ordinary Least Squares) è il metodo più comunemente utilizzato per lo sviluppo di modelli di crescita di singoli alberi^12,13,14,15. I set di dati per i singoli modelli di crescita degli alberi raccolti ripetutamente per un periodo di tempo fisso sulla stessa unità di campionamento (ad esempio, grafico campione o albero) hanno una struttura stocastica gerarchica, con una mancanza di indipendenza e un’elevata correlazione spaziale e temporale tra le^{osservazioni 10,16}. La struttura stocastica gerarchica viola le ipotesi fondamentali della regressione OLS: vale a dire residui indipendenti e dati normalmente distribuiti con varianze uguali. Pertanto, l’utilizzo della regressione OLS produce inevitabilmente stime distorte dell’errore standard delle stime dei parametri^{per questi dati 13,14}.

I modelli ad effetti misti forniscono un potente strumento per analizzare i dati con strutture complesse, ad esempio dati di misure ripetute, dati longitudinali e dati a più livelli. I modelli ad effetti misti sono costituiti sia da componenti fissi, comuni alla popolazione completa, sia da componenti casuali, specifici di ogni livello di campionamento. Inoltre, i modelli ad effetti misti tengono conto dell’eterogeneità e dell’autocorrelazione nello spazio e nel tempo definendo matrici di struttura varianza-covarianza non diagonali^17,18,19. Per questo motivo, i modelli ad effetto misto sono stati ampiamente utilizzati nella silvicoltura, come nei modelli di diametro-altezza^20,21,modelli a^{corona 22,23,}modelli auto-assottiglianti^24,25e modelli di^{crescita 26,27.}

Qui, l’obiettivo principale era quello di sviluppare un modello di incremento dell’area basale a singolo albero utilizzando un approccio lineare ad effetti misti. Speriamo che l’approccio basato sugli effetti misti possa essere ampiamente applicato.

Protocol

1. Preparazione dei dati Preparare i dati di modellazione, che includono informazioni sui singoli alberi (specie e diametro all’altezza del seno a 1,3 m) e informazioni sulla trama (pendenza, aspetto e elevazione). In questo studio, i dati sono stati ottenuti dall’8 ° (2009) e dal 9 ° (2014) inventario forestale nazionale cinese nella provincia dello Xinjiang, nel nord-ovest della Cina, che include 21.898 osservazioni di 779 appezzamenti campione. Questi appezzamenti campione sono a forma quadrata con una dim…

Representative Results

Il modello base di incremento dell’area basale per P. asperata è stato espresso come Equazione (7). Le stime dei parametri, i relativi errori standard e le statistiche sulla mancanza di adattamento sono riportati nella tabella 2. Il grafico residuo è illustrato nella figura 1. È stata osservata una pronunciata eterogeneità dei residui.(7) <…

Discussion

Una questione cruciale per lo sviluppo di modelli ad effetti misti è determinare quali parametri possono essere trattati come effetti casuali e quali dovrebbero essere considerati effetti^{fissi 34,35}. Sono stati proposti due metodi. L’approccio più comune è quello di trattare tutti i parametri come effetti casuali e quindi avere il miglior modello selezionato da AIC, BIC, Loglik e LRT. Questo è stato il metodo utilizzato dal nostro studio^35</…

Materials

Computer	acer
Microsoft Office 2013
R x64 3.5.1