Développement d’un modèle d’incrément de zone basale d’arbre individuel utilisant une approche linéaire à effets mixtes

Ce protocole fournit les procédures clés de l’élaboration d’un modèle d’accroissement de la surface basale d’un arbre individuel à l’aide d’une approche linéaire à effets mixtes. La principale caractéristique de cette technique est qu’elle permet d’analyser puissamment des données avec des structures complexes en foresterie et d’améliorer considérablement les performances des modèles de croissance forestière. Commencez par lire l’ensemble de données de développement du modèle et chargez le package nlme"dans le logiciel R.

Sélectionnez des exemples de graphiques en tant qu’effets aléatoires pour développer le modèle à effets mixtes. Ajustez toutes les combinaisons possibles d’effets aléatoires avec la méthode du maximum de vraisemblance et produisez les résultats. Définissez l’ordonnée à l’origine sur des paramètres aléatoires, puis modifiez les instructions aléatoires jusqu’à ce que toutes les combinaisons soient ajustées.

En cours d’ajustement, les codes peuvent signaler des erreurs dues à la non-convergence du modèle monté. Sélectionnez le meilleur modèle en fonction du critère d’information d’Akaike, du critère d’information bayésien, du logarithme de vraisemblance et du test du rapport de vraisemblance. Observez si les résidus présentent une hétéroscédasticité par rapport à la parcelle résiduelle.

S’il y a hétéroscédasticité, introduisez la fonction de puissance constante plus, la fonction de puissance et la fonction exponentielle pour modéliser la structure de variance des erreurs. Déterminez la meilleure fonction de variance pour le modèle en fonction du critère d’information d’Akaike, du critère d’information bayésien, du logarithme de vraisemblance et du test du rapport de vraisemblance. Ensuite, introduisez la structure de symétrie composée, la structure autorégressive de premier ordre et une combinaison de structures autorégressives et de moyennes mobiles du premier ordre pour tenir compte de l’autocorrélation.

Déterminez la meilleure structure d’autocorrélation en fonction du critère d’information d’Akaike, du critère d’information bayésien, du logarithme de vraisemblance et du test du rapport de vraisemblance. Produisez les résultats finaux du modèle à effets mixtes à l’aide de la méthode du maximum de vraisemblance restreint. Le modèle de base de l’accroissement de l’aire basale de P. asperata est exprimé à l’aide de cette équation.

Les estimations de paramètres, leurs erreurs-types correspondantes et les statistiques d’absence d’ajustement sont présentées ici. Une hétéroscédasticité prononcée des résidus a été observée. Il y avait 31 combinaisons possibles de paramètres d’effets aléatoires pour le modèle d’accroissement de l’aire basale de base.

Après l’ajustement, 300 combinaisons ont atteint la convergence. Parmi ces 30 combinaisons, le modèle 30 a été sélectionné parce qu’il a donné l’AIC le plus bas, le BIC le plus bas et le Loglik le plus grand. De plus, le TLR était significativement différent de celui des autres modèles.

Le modèle linéaire à effets mixtes avec des fonctions de variance et des structures de corrélation est présenté ici. Selon l’AIC, le BIC, Loglik et le LRT, la fonction exponentielle et AR(1) ont été sélectionnées comme la meilleure fonction de variance et la meilleure structure d’autocorrélation, respectivement. Le modèle final d’augmentation de l’aire basale d’un arbre individuel à effets mixtes a été proposé à l’aide de la méthode REML.

Les paramètres fixes estimés, leurs erreurs types correspondantes et les statistiques d’absence d’ajustement sont indiqués ici. Une amélioration significative a été observée dans les résidus. Les statistiques de prédiction des deux modèles montrent que les performances du modèle linéaire à effets mixtes ont été significativement améliorées par rapport au modèle de base.

Une fois les comparaisons de modèles terminées, n’oubliez pas d’utiliser la méthode du maximum de vraisemblance restreint pour produire les résultats finaux.