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

1. 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 de área equivalente a 0,067 ha) e são sistematicamente dispostos sobre uma grade de 4 km x 8 km.
   NOTA: O incremento dos dados para modelagem (área basal) requer pelo menos um período de crescimento (ou seja, duas observações).
2. Divida aleatoriamente os dados em dois conjuntos de dados, com 80% dos dados das parcelas amostrais utilizadas para a montagem do modelo (conjunto de dados de desenvolvimento de modelos), que consiste em 17.145 observações de 623 parcelas amostrais e 20% para validação de modelo (conjunto de dados de validação de modelo) que consiste em 4.753 observações de 156 parcelas amostrais. As estatísticas descritivas das principais variáveis utilizadas estão previstas na Tabela 1.
   NOTA: Esta etapa do procedimento de modelagem pode ser omitida, e todos os dados são usados para o desenvolvimento do modelo.

Variáveis	Dados de montagem					Dados de validação
	Min	Max	Média	S.d.		Min	Max	Média	S.d.
DBH1 (cm)	5	124.8	19.9	13.2		5	101.5	19.5	13.4
QMD (cm)	6.7	82.3	22.5	8.5		9.2	73.3	21.8	9.2
ID (cm)	0.1	14.4	1.1	1		0.1	16.9	1	1.1
BAL (m3)	0	5.2	1.7	0.9		0	5.4	1.7	1
NT (árvores/ha)	14.9	3642	1072	673.7		14.9	3418	1205	829.3
BA (m2/ha)	0.1	77.5	34.2	13.9		0.1	80.6	34.5	15.3
EL (m)	2	3302	2189	340.3		1441	3380	2256	308.3

Mesa 1. Estatísticas resumidas para montagem e validação de dados. DBH₁: diâmetro inicial na altura da mama a 1,3 m (DBH), DBH₂: DBH medido após 5 anos de crescimento, QMD: diâmetro médio quadrático, ID: incremento de diâmetro por 5 anos (DBH₂ – DBH₁), BAL: a área basal das árvores maior que a árvore objeto (a árvore de assunto: a árvore que foi calculada os índices de concorrência), NT: o número de árvores por hectare, BA: área basal por hectare, EL: elevação, S.D.: desvio padrão.

2. Desenvolvimento de modelos básicos

1. Consulte referências para identificar variáveis que afetam os incrementos da área basal de árvores individuais.
2. Selecione e calcule variáveis com base nos dados. Geralmente, o incremento da área basal de árvore individual é afetado por três grupos de variáveis: tamanho da árvore, competição e condição do local^27,28,29,30.
   1. Considere efeitos em tamanho de árvore, como DBH₁, quadrado de DBH₁ ( ), a transformação inversa de DBH₁ (1/DBH₁), e o logaritmo comum de DBH₁ (logDBH₁) ou combinações deles.
   2. Considere efeitos competitivos, como índices de competição de um e dois lados, para quantificar de forma mais abrangente o nível de competição vivenciado por uma árvore, bem como sua posição social dentro do estande. A concorrência unilateral inclui BAL e o índice de densidade relativa (RD=DBH₁/QMD); competição de dois lados incluem NT, e BA.
      NOTA: Os índices de concorrência dependentes da distância devem ser considerados se os dados estão disponíveis.
   3. Considere os efeitos do local, como aspecto (ASP), inclinação (SL) e EL. SL e ASP devem ser incluídos usando a transformação do Stage³¹.
3. Selecione o log( + 1) (denota o quadrado de DBH₂) como a variável dependente.
4. Desenvolva o modelo básico utilizando o método de regressão stepwise. Certifique-se de que o modelo é biologicamente razoável e apresenta diferenças significativas entre variáveis independentes. Utilize o fator de inflação de variância (VIF) para verificar a multicollinearidade.
5. Deixe as variáveis independentes com p < 0,05 e VIF < 5 no modelo básico.
6. Produzir os resultados básicos do modelo e a parcela residual. O modelo básico produzido aqui serve como base para o desenvolvimento de um modelo de efeitos mistos.

3. Desenvolvimento de modelo de efeitos mistos lineares com o pacote "nlme" no software R

1. Leia o conjunto de dados de desenvolvimento do modelo e carregue o pacote "nlme".
   >model.development.dataset=read.csv("E:/DATA/JoVE/modelagem.csv",
   cabeçalho=TRUE)
   >biblioteca(nlme)
2. Selecione gráficos de amostra como efeitos aleatórios para desenvolver o modelo de efeitos mistos.
3. Encaixe todas as combinações possíveis de efeitos aleatórios com o método de máxima probabilidade (ML) e produza os resultados.
   >Model<-lme(Y~1/DBH₁+BAL+NT+EL,data=model.development.dataset,
   método="ML", aleatório =~1| ENREDO)
   >resumo(Modelo)
   1. Conjunto aleatório =~1 é a interceptação para parâmetros aleatórios. Altere as instruções aleatórias até que todas as combinações sejam encaixadas. Por exemplo, para definir 1/DBH₁ e BAL como parâmetros aleatórios, o código é o seguinte: aleatório =~1/DBH₁+BAL-1. Além disso, no processo de montagem, os códigos podem relatar erros devido à nãoconvergência do modelo montado.
4. Selecione o melhor modelo pelo critério de informação de Akaike (AIC), o critério de informação bayesiana (BIC), a probabilidade de logaritmo (Loglik) e o teste de razão de probabilidade (LRT).
   >anova (Modelo.1, Modelo.6)
   >anova (Modelo.6, Modelo.23)
   >anova (Modelo.23, Modelo.30)
5. Determine a estrutura de R_i. Dirija-se à heteroscedasticidade e à correção automática de R_i³². O R_i está escrito da seguinte forma:
   (1)
   onde σ² é um fator de dimensionamento desconhecido que é igual à variância residual do modelo, G_i é uma matriz diagonal descrevendo heteroscedasticidade, e Γ_i é uma matriz descrevendo a autocorrelação.
   1. Observe se os resíduos têm heteroscedasticidade do lote residual. Se houver heteroscedasticidade (os resíduos têm um padrão ou tendência claros), introduza três funções de variância frequentemente utilizadas — a constante função de potência, a função de potência e a função exponencial — para modelar a estrutura de variância de erros.
      >Modelo.30.1<-lme(Y~1/DBH₁+BAL+NT+EL, data=model.development.dataset, method="ML",random=~1/DBH₁+BAL+NT| Enredo
      pesos=varConstPower (form=~ montado(.))
      >resumo (Modelo.30.1)
      >Modelo.30.2<-lme(Y~1/DBH₁+BAL+NT+EL, data=model.development.dataset, method="ML",random=~1/DBH₁+BAL+NT| Enredo
      pesos=varPower (form=~ montado(.))
      >resumo (Modelo.30.2)
      >Modelo.30.3<-lme(Y~1/DBH₁+BAL+NT+EL, data=model.development.dataset, method="ML",random=~1/DBH₁+BAL+NT| Enredo
      pesos=varExp(form=~ montado(.))
      >resumo (Modelo.30.3)
   2. Determine a melhor função de variância para o modelo de acordo com o AIC, BIC, Loglik e LRT.
      >anova (Modelo.30, Modelo.30.1)
      >anova (Modelo.30, Modelo.30.2)
      >anova (Modelo.30, Modelo.30.3)
   3. Introduzir três estruturas de autocorrelação comumente usadas — a estrutura de simetria composta (CS), a estrutura autoregressiva de primeira ordem [AR(1)], e uma combinação de estruturas médias autoregressivas e móveis de primeira ordem [ARMA(1,1))– para explicar a correção automática.
      >Model.30.3.1<-lme(Y~1/DBH₁+BAL+NT+EL, data=model.development.dataset, method="ML",
      random=~1/DBH₁+BAL+NT| PLOT, pesos=varExp(form=~fitted(.)), corr= corCompSymm())
      >resumo (Modelo.30.3.1)
      >Model.30.3.2<-lme(Y~1/DBH₁+BAL+NT+EL, data=model.development.dataset, method="ML",
      random=~1/DBH₁+BAL+NT| PLOT,pesos=varExp(form=~ montado(.)), corr=corAR1())
      >resumo (Modelo.30.3.2)
      >Model.30.3.3<-lme(Y~1/DBH₁+BAL+NT+EL, data=model.development.dataset, method="ML",
      random=~1/DBH₁+BAL+NT| PLOT,pesos=varExp(form=~ montado(.)), corr=corARMA(q=1,p=1))
      >resumo (Modelo.30.3.3)
   4. Determine a melhor estrutura de autocorrelação de acordo com o AIC, BIC, Loglik e LRT.
      >anova (Modelo.30.3, Modelo.30.3.2)
      NOTA: O G_i e Γi não podem ser definidos se não houver heteroscedasticidade e autocorrelação.
   5. Produzir os resultados finais do modelo de efeitos mistos utilizando o método de probabilidade máxima restrita (REML).
      >Mixed.model<-lme(Y~1/DBH₁+BAL+NT+EL,data=model.development.dataset, method="REML",random=~1/DBH₁+BAL+NT| Enredo
      pesos=varExp(form=~ montado(.)), corr=corAR1())
      >resumo (Mixed.model)

4. Correção de viés

1. Transforme os valores previstos de incremento da área basal usando o modelo final em uma escala logarítmica para a escala original. No entanto, essa transformação linear de valor previsto a partir de um modelo transformado em log produz um viés associado de transformação de log. Para lidar com o viés de log, um fator de correção foi derivado e integrado na equação de predição, que estima o incremento real da área basal prevista para uma determinada árvore [Equação (2)]:
   (2)
   onde é previsto o valor logarítmico do incremento da área basal do modelo, enquanto é o valor retrocedido previsto de incremento da área basal por 5 anos após a correção para viés de transformação de tronco σ s.
2. Converta o incremento da área basal () para o incremento de diâmetro.

5. Previsão e avaliação do modelo

1. Prepare o conjunto de dados de validação do modelo produzido na seção 1.2 para previsão.
2. Use o modelo de efeitos mistos lineares para prever o incremento da área basal de árvore individual. Os componentes aleatórios foram calculados utilizando-se o seguinte melhor preditor linear imparcial:
   (3)
   onde se trata de vetor para os componentes aleatórios; é a matriz de variância variância entre as parcelas; é a matriz de design para os componentes aleatórios que atuam nas observações complementares; é o vetor residual cujos componentes são dados pela diferença entre os incrementos da área basal e os incrementos previstos utilizando o modelo de efeitos fixos.
3. Avalie e compare a capacidade preditiva do modelo básico e do modelo linear de efeitos mistos utilizando os três indicadores estatísticos seguintes^23,33.
   (4)
   (5)
   (6)
   onde obj_i é o incremento da área basal, est_i é o incremento de área basal previsto, é a média de observações, e N é o número de observações.

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 alternativa é...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Computador	acer
Microsoft Office 2013
R x64 3.5.1