Разработка индивидуально-дерево Базальной модели прироста области с использованием линейного подхода смешанных эффектов

Summary

Модели смешанных эффектов являются гибкими и полезными инструментами для анализа данных с иерархической стохастической структурой в лесном хозяйстве, а также могут быть использованы для существенного повышения эффективности моделей роста лесов. Здесь представлен протокол, который синтезирует информацию, относящуюся к линейным моделям смешанных эффектов.

Abstract

Здесь мы разработали индивидуальную модель 5-летнего базального прироста площади на основе набора данных, включая 21898 деревьев Picea asperata из 779 выборочных участков, расположенных в провинции Синьцзян на северо-западе Китая. Чтобы предотвратить высокую корреляцию между наблюдениями из одного и того же блока выборки, мы разработали модель, используя линейный подход смешанных эффектов со случайным эффектом сюжета для учета стохастической изменчивости. Различные переменные уровня деревьев и стендов, такие как индексы размера деревьев, конкуренции и состояния участка, были включены в качестве фиксированных эффектов для объяснения остаточной изменчивости. Кроме того, гетероскрастичность и автокорреляция были описаны путем введения функций дисперсии и структур автокорреляции. Оптимальная модель линейных смешанных эффектов определялась несколькими подходящими статистическими данными: информационным критерием Акаике, байесовским информационным критерием, вероятностью логаритма и тестом коэффициента вероятности. Результаты показали, что значительными переменными прироста базальной площади отдельных деревьев являются обратная трансформация диаметра на высоте груди, базальная площадь деревьев, больше, чем дерево субъекта, количество деревьев на гектар и высота. Кроме того, ошибки в структуре дисперсии были наиболее успешно смоделированы экспоненциальной функцией, а автокорреляция была значительно исправлена авто регрессивной структурой первого порядка (AR(1)). Производительность линейной модели смешанных эффектов была значительно улучшена по сравнению с моделью с использованием обычной регрессии с наименьшими квадратами.

Introduction

По сравнению с ровным возрастом монокультуры, неравномерного возраста смешанного вида лесопользования с несколькими^{целями получил повышенное внимание в последнее время 1,2,3}. Прогнозирование различных альтернатив управления необходимо для разработки надежных стратегий лесопользования, особенно для сложных неровных возрастов смешанных видов леса⁴. Модели роста и урожайности лесов широко используются для прогнозирования развития деревьев или стендов по различным^{схемам управления 5,6,7.} Модели роста и урожайности лесов классифицируются на модели индивидуального дерева, модели размерного класса и модели^{роста 6,7,8.} К сожалению, модели класса размеров и модели стендов не подходят для лесов смешанного вида неравномерного возраста, которые требуют более подробного описания для поддержки процесса принятия решений в области лесопользования. По этой причине, индивидуального роста деревьев и урожайности модели получили повышенное внимание в течение последних нескольких десятилетий из-за их способности делать прогнозы для лесных стендов с различными видами композиций, структур и^{стратегий управления 9,10,11}.

Обычная регрессия наименее квадратов (OLS) является наиболее часто используемым методом для разработки^{моделей роста отдельных деревьев 12,13,14,15.} Наборы данных для моделей роста отдельных деревьев, собранные неоднократно в течение фиксированного периода времени на одной и той же единице выборки (т.е. образец участка или дерева) имеют иерархическую стохастичную структуру, с отсутствием независимости и высокой пространственной и временной^{корреляцией между наблюдениями 10,16}. Иерархическая стохастическая структура нарушает фундаментальные предположения регрессии OLS: а именно независимые остатки и обычно распределенные данные с равными отклонениями. Таким образом, использование регрессии OLS неизбежно приводит к необъективным оценкам стандартной погрешности оценок параметров^{для этих данных 13,14.}

Модели смешанных эффектов обеспечивают мощный инструмент для анализа данных со сложными структурами, такими как данные повторных мер, продольные данные и многоуровневые данные. Модели смешанных эффектов состоят как из фиксированных компонентов, общих для полной популяции, так и из случайных компонентов, характерных для каждого уровня выборки. Кроме того, модели смешанных эффектов учитывают гетероседактичность и автокорреляцию в пространстве и времени, определяя не диагональную дисперсию-ковариацию^{структуры матриц 17,18,19}. По этой причине, смешанные эффекты модели широко используются в лесном хозяйстве, таких как в диаметре^{высоты модели 20,21},^{коронные модели 22,23}, самоубавки модели^24,25, и рост модели^26,27.

В этой связи основная цель заключалась в разработке модели прироста базальных областей отдельных деревьев с использованием линейного подхода к смешанным эффектам. Мы надеемся, что подход, связанный со смешанными последствиями, может быть широко применен.

Protocol

1. Подготовка данных Подготовь данные моделирования, которые включают информацию об индивидуальном дереве (виды и диаметр на высоте груди 1,3 м) и информацию о участке (склон, аспект и высота). В этом исследовании данные были получены с 8-го (2009) и 9-го (2014) Китайского национального лесно…

Representative Results

Базовая модель прироста базальной области для P. asperata была выражена как Equation (7). Оценки параметров, соответствующие стандартные ошибки и статистика отсутствия соответствия показаны в таблице 2. Остаточный участок показан на рисунке 1. Наблюдалась выраженная гетер…

Discussion

Важнейшим вопросом для разработки моделей смешанных эффектов является определение параметров, которые можно рассматривать как случайные эффекты, а какие следует рассматривать как^{фиксированные эффекты 34,35}. Были предложены два метода. Наиболее распрост…

Materials

Computer	acer
Microsoft Office 2013
R x64 3.5.1