פיתוח מודל תוספת קבועה של אזור בזלית של עץ יחיד באמצעות גישה ליניארית של אפקטים מעורבים
July 3rd, 2020
מודלים של אפקטים מעורבים הם כלים גמישים ושימושיים לניתוח נתונים עם מבנה סטוכסטי היררכי ביערנות ויכולים לשמש גם לשיפור משמעותי בביצועים של מודלים לצמיחת יער. כאן מוצג פרוטוקול המסונתז מידע הקשור למודלים של אפקטים מעורבים ליניאריים.
פרוטוקול זה מספק את נהלי המפתח לפיתוח מודל תוספת שטח בסיס של עץ בודד תוך שימוש בגישה ליניארית של אפקטים מעורבים. המאפיין העיקרי של טכניקה זו הוא שהיא יכולה לנתח בעוצמה נתונים עם מבנים מורכבים בייעור ולשפר משמעותית את הביצועים של מודלים של גידול יער. התחל בקריאת מערך הנתונים של פיתוח המודל וטעינת החבילה nlme"בתוכנת R.
בחר עלילות לדוגמה כאפקטים אקראיים כדי לפתח את מודל האפקטים המעורבים. התאם את כל השילובים האפשריים של אפקטים אקראיים לשיטת הסבירות המקסימלית והפק את התוצאות. הגדר את היירוט לפרמטרים אקראיים, ולאחר מכן שנה את המשפטים האקראיים עד שכל השילובים יתאימו.
בתהליך ההתאמה, הקודים עשויים לדווח על שגיאות עקב אי התכנסות של הדגם המותאם. בחר את המודל הטוב ביותר לפי קריטריון המידע של Akaike, קריטריון המידע הבייסיאני, הסבירות הלוגריתית ומבחן יחס הסבירות. שים לב אם לשאריות יש הטרוסקדסטיות מהעלילה השיורית.
אם יש הטרוסקדסטיות, הציגו את פונקציית הקבוע פלוס החזקה, פונקציית ההספק והפונקציה המעריכית כדי לדגמן את מבנה שונות השגיאות. קבע את פונקציית השונות הטובה ביותר עבור המודל על פי קריטריון המידע של Akaike, קריטריון המידע הבייסיאני, הסבירות הלוגריתית ומבחן יחס הסבירות. לאחר מכן, הציגו את מבנה הסימטריה המורכבת, מבנה אוטורגרסיבי מסדר ראשון ושילוב של מבנים אוטורגרסיביים וממוצעים נעים מסדר ראשון כדי להסביר את האוטוקורלציה.
קבע את מבנה המתאם האוטומטי הטוב ביותר על פי קריטריון המידע של Akaike, קריטריון המידע הבייסיאני, הסבירות הלוגריתית ומבחן יחס ההסתברות. פלט את התוצאות הסופיות של מודל האפקטים המעורבים באמצעות שיטת הסבירות המקסימלית המוגבלת. מודל תוספת השטח הבסיסי עבור P.asperata מתבטא במשוואה זו.
הערכות הפרמטרים, שגיאות התקן המתאימות להם וסטטיסטיקת חוסר ההתאמה מוצגים כאן. נצפתה הטרוסקדסטיות בולטת של השאריות. היו 31 שילובים אפשריים של פרמטרים של אפקטים אקראיים עבור מודל תוספת השטח הבסיסי הבסיסי.
לאחר ההתאמה, 300 קומבינציות הגיעו להתכנסות. מבין 30 השילובים הללו, דגם 30 נבחר מכיוון שהוא הניב את ה-AIC הנמוך ביותר, ה-BIC הנמוך ביותר וה-Loglik הגדול ביותר. יתר על כן, ה-LRT היה שונה באופן משמעותי בהשוואה לדגמים האחרים.
מודל האפקטים המעורבים הליניארי עם פונקציות שונות ומבני מתאם מוצג כאן. על פי AIC, BIC, Loglik ו-LRT, הפונקציה המעריכית ו-AR(1) נבחרו כפונקציית השונות הטובה ביותר ומבנה המתאם האוטומטי, בהתאמה. המודל הסופי של תוספת שטח בסיס ליניארי עם השפעות מעורבות הוצע בשיטת REML.
הפרמטרים הקבועים המשוערים, שגיאות התקן המתאימות להם וסטטיסטיקת חוסר ההתאמה מוצגים כאן. שיפור משמעותי נצפה בשאריות. סטטיסטיקות החיזוי של שני המודלים מראות כי הביצועים של מודל האפקטים המעורבים הליניאריים השתפרו משמעותית בהשוואה למודל הבסיסי.
לאחר השלמת השוואות המודלים, זכור להשתמש בשיטת הסבירות המקסימלית המוגבלת כדי להפיק את התוצאות הסופיות.
View the full transcript and gain access to thousands of scientific videos
סקירה
מחקר זה מציג פרוטוקול לפיתוח מודל להערכת שטח בסיס עץ יחיד באמצעות דוגמנות תופעות מעורבות לינאריות. הוא משתמש בטכניקות סטטיסטיות מורכבות כדי לנתח מבני נתונים היררכיים שנמצאים בייעור, במטרה לשפר תחזיות של צמיחת יערות.
רכיבי מחקר עיקריים
תחום המחקר
- דוגמנות צמיחת יערות
- ניתוח סטטיסטי של נתונים היררכיים
- הערכת שטח בסיס עץ יחיד
רקע
- מודלים של תופעות מעורבות לינאריות יכולים לנתח בצורה יעילה נתונים עם מבנים מורכבים.
- מודלים אלו יש להם פוטנציאל ליישומים בשיפור תחזיות של צמיחת יערות.
- הטרוסקדסטיות ואוטו-קורלציה הם שיקולים חיוניים בהתאמת מודלים.
שיטות ששימשו
- פיתוח מודל להערכת שטח בסיס
- יישום של חבילת nlme בתוכנת R
- בחירת אפקטים אקראיים והתאמת מודלים באמצעות סבירות מרבית
תוצאות עיקריות
- זיהוי המודל הטוב ביותר באמצעות AIC, BIC ובדיקות סבירות.
- שיפור משמעותי בביצועי המודל בהשוואה למודלים בסיסיים.
- המודל הסופי הראה הטרוסקדסטיות מופחתת ושאריות משופרות.
מסקנות
- המחקר מדגים את האפקטיביות של מודלים של תופעות מעורבות לינאריות בייעור.
- מתודולוגיה זו רלוונטית לחוקרים שמטרתם לשפר מודלים של צמיחה במערכות אקולוגיות של יערות.
