Desenvolvimento de um modelo de incremento de área basal de árvore individual usando uma abordagem linear de efeitos mistos

Summary

Modelos de efeitos mistos são ferramentas flexíveis e úteis para analisar dados com uma estrutura estocástica hierárquica na silvicultura e também poderiam ser usados para melhorar significativamente o desempenho dos modelos de crescimento florestal. Aqui, é apresentado um protocolo que sintetiza informações relativas a modelos lineares de efeitos mistos.

Abstract

Aqui, desenvolvemos um modelo de árvore individual de incrementos de área basal de 5 anos com base em um conjunto de dados incluindo 21898 Picea asperata de 779 parcelas de amostras localizadas na província de Xinjiang, noroeste da China. Para evitar altas correlações entre observações da mesma unidade amostral, desenvolvemos o modelo utilizando uma abordagem linear de efeitos mistos com efeito de parcela aleatória para explicar a variabilidade estocástica. Várias variáveis de nível de árvore e suporte, como índices de tamanho de árvore, concorrência e condição do local, foram incluídas como efeitos fixos para explicar a variabilidade residual. Além disso, heteroscedasticidade e autocorrelação foram descritas pela introdução de funções de variância e estruturas de autocorrelação. O modelo de efeitos mistos lineares ideais foi determinado por várias estatísticas de ajuste: critério de informação de Akaike, critério de informação bayesiana, probabilidade de logaritmo e teste de razão de probabilidade. Os resultados indicaram que variáveis significativas do incremento da área basal de árvores individuais foram a transformação inversa do diâmetro na altura da mama, a área basal das árvores maior que a árvore objeto, o número de árvores por hectare e a elevação. Além disso, os erros na estrutura de variância foram modelados com mais sucesso pela função exponencial, e a correção automática foi significativamente corrigida pela estrutura autoregressiva de primeira ordem (AR(1)). O desempenho do modelo linear de efeitos mistos foi significativamente melhorado em relação ao modelo utilizando regressão ordinário de quadrados.

Introduction

Em comparação com a monocultura envelhecida, o manejo florestal de espécies mistas de idade desigual com múltiplos objetivos tem recebido maior atenção recentemente^1,2,3. A previsão de diferentes alternativas de manejo é necessária para a formulação de estratégias robustas de manejo florestal, especialmente para a complexa floresta de espécies mistas de idade irregular⁴. Modelos de crescimento e rendimento florestal têm sido amplamente utilizados para prever o desenvolvimento e a colheita de árvores ou suportes sob vários regimes de manejo^5,6,7. Os modelos de crescimento e rendimento florestal são classificados em modelos de árvores individuais, modelos de classe de tamanho e modelos de crescimento de suporte inteiro^6,7,8. Infelizmente, modelos de classe de tamanho e modelos de suporte inteiro não são apropriados para florestas de espécies mistas de idade irregular, que requerem uma descrição mais detalhada para apoiar o processo de tomada de decisão do manejo florestal. Por essa razão, os modelos de crescimento e rendimento individual-árvore têm recebido maior atenção ao longo das últimas décadas devido à sua capacidade de fazer previsões para estandes florestais com uma variedade de composições de espécies, estruturas e estratégias de manejo^9,10,11.

A regressão de quadrados mínimos comuns (OLS) é o método mais utilizado para o desenvolvimento de modelos de crescimento de árvores individuais^12,13,14,15. Os conjuntos de dados para modelos de crescimento de árvores individuais coletados repetidamente ao longo de um período fixo de tempo na mesma unidade amostral (ou seja, parcela de amostra ou árvore) possuem uma estrutura estocástica hierárquica, com falta de independência e alta correlação espacial e temporal entre as observações^10,16. A estrutura estocástica hierárquica viola os pressupostos fundamentais da regressão da OLS: ou seja, resíduos independentes e dados normalmente distribuídos com variâncias iguais. Portanto, o uso da regressão OLS inevitavelmente produz estimativas tendenciosas do erro padrão das estimativas de parâmetros para esses dados^13,14.

Modelos de efeitos mistos fornecem uma ferramenta poderosa para analisar dados com estruturas complexas, como dados de medidas repetidas, dados longitudinais e dados multinóduos. Os modelos de efeitos mistos consistem em ambos os componentes fixos, comuns à população completa, e componentes aleatórios, que são específicos para cada nível de amostragem. Além disso, os modelos de efeitos mistos levam em conta a heteroscedasticidade e a correção automática no espaço e no tempo, definindo as matrizes da estrutura de variância não diagonal^17,18,19. Por essa razão, os modelos de efeitos mistos têm sido amplamente utilizados na silvicultura, como nos modelos de altura de diâmetro^20,21, modelos de coroa^22,23, modelos de auto-afinamento^24,25e modelos de crescimento^26,27.

Aqui, o objetivo principal foi desenvolver um modelo de incremento de área basal de árvore individual utilizando uma abordagem linear de efeitos mistos. Esperamos que a abordagem dos efeitos mistos possa ser amplamente aplicada.

Protocol

1. Preparação de dados Prepare os dados de modelagem, que incluem informações individuais de árvores (espécies e diâmetro na altura da mama a 1,3 m) e informações de enredo (inclinação, aspecto e elevação). Neste estudo, os dados foram obtidos a partir do inventário florestal nacional chinês 8 (2009) e 9º (2014) na província de Xinjiang, noroeste da China, que inclui 21.898 observações de 779 parcelas amostrais. Estes gráficos de amostra são quadrados com um tamanho de 1 Mu (unidade chinesa…

Representative Results

O modelo básico de incremento de área basal para P. asperata foi expresso como Equação (7). As estimativas do parâmetro, seus erros padrão correspondentes e as estatísticas de falta de ajuste são mostradas na Tabela 2. O enredo residual é mostrado na Figura 1. Observou-se heterocedasticidade pronunciada dos resíduos.(7) <…

Discussion

Uma questão crucial para o desenvolvimento de modelos de efeitos mistos é determinar quais parâmetros podem ser tratados como efeitos aleatórios e quais devem ser considerados efeitos fixos^34,35. Dois métodos foram propostos. A abordagem mais comum é tratar todos os parâmetros como efeitos aleatórios e, em seguida, ter o melhor modelo selecionado por AIC, BIC, Loglik e LRT. Este foi o método empregado pelo nosso estudo³⁵. Uma alte…

Materials

Computer	acer
Microsoft Office 2013
R x64 3.5.1