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.
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.
Rispetto alla monocoltura invecchiata uniforme, la gestione forestale di specie miste di età irregolare con molteplici obiettivi ha ricevuto recentementeuna 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 standnell’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 interi6,7,8. 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 digestione 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 alberi12,13,14,15. 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 leosservazioni 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 parametriper 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 diagonali17,18,19. Per questo motivo, i modelli ad effetto misto sono stati ampiamente utilizzati nella silvicoltura, come nei modelli di diametro-altezza20,21,modelli acorona 22,23,modelli auto-assottiglianti24,25e modelli dicrescita 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.
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 effettifissi 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 studio35</…
The authors have nothing to disclose.
Questa ricerca è stata finanziata dai Fondi di ricerca fondamentale per le università centrali, numero di sovvenzione 2019GJZL04. Ringraziamo il professor Weisheng Zeng presso l’Academy of Forest Inventory and Planning, National Forestry and Grassland Administration, Cina per aver fornito l’accesso ai dati.