使用线性混合效应方法开发单树基数增量模型

Summary

混合效应模型是分析林业中分层随机结构数据的灵活而有用的工具，也可用于显著提高森林生长模型的性能。在这里，提出了一个协议，合成与线性混合效应模型相关的信息。

Abstract

在这里，我们根据一个数据集开发了一个5年基底面积增量的单树模型，其中包括来自中国西北部新疆省779个样本地块的21898 棵皮卡阿斯佩拉塔 树。为了防止来自同一采样单元的观测结果之间的高相关性，我们使用具有随机绘图效果的线性混合效应方法开发了该模型，以考虑随机变异性。各种树和立级变量，如树的大小、竞争和场地条件的指数，都作为固定效应包括在内，以解释残余变异性。此外，通过引入方差函数和自动相关结构来描述异构性和自动相关性。最佳线性混合效应模型由几个合适的统计数据决定:Akaike 的信息标准、贝叶斯信息标准、对数可能性和可能性比率测试。结果表明，单树基底面积增量的重要变量为胸高直径的反向转化、大于主体树的树木基底面积、每公顷树木数量和海拔高度。此外，方差结构中的错误最成功地通过指数函数建模，并且通过一阶自动反向结构 （AR（1）显著纠正了自动反差。与使用普通最小正方形回归的模型相比，线性混合效应模型的性能显著提高。

Introduction

与均匀的单一栽培、不均匀年龄的混合种林管理相比^，具有多重^{目标的混合}物种森林管理最近受到越来越多的^关注。预测不同的管理备选方案是制定强有力的森林管理战略的必要条件，特别是对于复杂的不均匀年龄的混合物种森林^4。森林生长和产量模型已被广泛使用，以预测树木或站在发展和收获下的各种管理计划^5，6，7。森林生长和产量模型分为个体树模型、大小级模型和全站生长模型^6、7、8。不幸的是，大小类模型和全站模型不适合年龄不均匀的混合物种森林，这需要更详细的描述来支持森林管理决策过程。因此，单树生长和产量模型在过去几十年中受到越来越多的关注，因为它们能够预测森林站与各种物种组成，结构和管理策略^{9，10，11。}

Protocol

1. 数据准备

1. 准备建模数据，包括单树信息（1.3米乳房高度的物种和直径）和绘图信息（坡度、侧面和海拔）。在这项研究中，数据取自中国西北新疆省第8次（2009年）和第9次（2014年）中国国家森林清查，其中包括对779个样本地块的21，898次观测。这些样本地块为方形，面积为1亩（面积相当于0.067公顷），系统地排列在4公里×8公里的网格上。
   注:建模（基础区域）增量的数据至少需要一个增长期（即两个观测点）。
2. 随机将数据分成两个数据集，其中 80% 的数据来自用于模型拟合的样本图（模型开发数据集），其中包括来自 623 个样本图的 17，145 个观测结果和 20% 的模型验证（模型验证数据集），其中包括来自 156 个样本图的 4，753 个观测结果。 表 1中提供了关键变量的描述性统计数据。
   注:可以省略建模过程的这一步骤，所有数据都用于模型开发。

变量	拟合数据					验证数据
	最小

Results

P. asperata的基本基底区域增量模型表示为方程 （7）。参数估计值、相应的标准误差和不合适的统计数据显示在表 2中。残余情节显示在图 1中。观察到残留物的明显异构性。
(7)

	估计	标准错误	t 测试	P值	维夫
Int	2.41	2.26E-02	106.78

Discussion

发展混合效应模型的一个关键问题是确定哪些参数可以被视为随机效应，哪些参数应被视为固定效应^34，35。提出了两种方法。最常见的方法是将所有参数视为随机效应，然后由 AIC、BIC、Loglik 和 LRT 选择最佳模型。这是我们研究³⁵所采用的方法。另一种选择是为 OLS 回归的每个示例图安装基底区域增量模型。在这些模型的样本图中具有高变异性和较少重叠的置换参数可被视为随机的^17。

考虑到异构性和自动关联性，引入了三个方差函数和三个自动关联结构。与卡拉马和蒙特罗¹⁷ 和Uzoh和奥利弗²⁷的结果一致，指数函数和AR（1）分别被确定为最佳方差函数和自动相关结构。

统计软件程序中有两种最常用的方法来估计混合效应模型:ML和REM.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
计算机	宏碁
Microsoft Office 2013
R x64 3.5.1