Mixed effects-modeller er fleksible og nyttige værktøjer til analyse af data med en hierarkisk stokastisk struktur inden for skovbrug og kan også bruges til at forbedre skovvækstmodellernes ydeevne betydeligt. Her præsenteres en protokol, der syntetiserer oplysninger vedrørende lineære blandede effektmodeller.
Her har vi udviklet en individuel-træ model af 5-årige basal område stigninger baseret på et datasæt, herunder 21898 Picea asperata træer fra 779 prøve parceller beliggende i Xinjiang-provinsen, nordvest Kina. For at forhindre høje korrelationer mellem observationer fra den samme prøvetagningsenhed udviklede vi modellen ved hjælp af en lineær blandet effektmetode med tilfældig ploteffekt for at tage højde for stokastisk variation. Forskellige træ- og standniveauvariabler, såsom indekser for træstørrelse, konkurrence og tilstand på stedet, blev inkluderet som faste effekter for at forklare restvariationen. Desuden blev heteroscedasticitet og autokorrelation beskrevet ved at indføre variansfunktioner og autokorrelationsstrukturer. Den optimale lineære mixed effects-model blev bestemt af flere fit-statistikker: Akaikes informationskriterium, Bayesian-informationskriterium, logaritme sandsynlighed og en sandsynlighedsforholdstest. Resultaterne viste, at signifikante variabler af individuelle træ basale areal stigning var den omvendte omdannelse af diameter ved brysthøjde, det basale areal af træer større end emnet træet, antallet af træer pr hektar, og elevation. Desuden blev fejl i variansstrukturen modelleret mest af eksponentiel funktion, og autokorrelationen blev i væsentlig grad korrigeret af den autoregressive struktur (AR(1)). Udførelsen af den lineære mixed-effects model blev væsentligt forbedret i forhold til modellen ved hjælp af almindelige mindst firkanter regression.
Sammenlignet med lige ældre monokultur har skovforvaltning af ujævne arter af blandede arter med flere mål fået øget opmærksomhed på det seneste1,2,3. Forudsigelse af forskellige forvaltningsalternativer er nødvendig for at formulere robuste skovforvaltningsstrategier, især for komplekse skovsorter af ujævne arter af blandede arter4. Modeller for skovvækst og udbytte er i vid udstrækning blevet anvendt til at forudsige udvikling og høst af træer eller bevoksning under forskellige forvaltningsordninger5,6,7. Skovvækst- og udbyttemodeller klassificeres i individuelle træmodeller, størrelsesklassemodeller og helstandsvækstmodeller6,7,8. Desværre er modeller i størrelsesklassen og helhedsmodeller ikke egnede til ujævne skove af blandede arter, som kræver en mere detaljeret beskrivelse for at støtte beslutningsprocessen for skovforvaltning. Af denne grund har individuelle trævækst- og udbyttemodeller fået øget opmærksomhed gennem de sidste par årtier på grund af deres evne til at lave forudsigelser for skovstande med en række arters sammensætninger, strukturer og forvaltningsstrategier9,10,11.
Almindelig mindst kvadratisk regression (OLS) er den mest anvendte metode til udvikling af individuelle trævækstmodeller12,13,14,15. Datasættene for individuelle trævækstmodeller , der gentagne gange er indsamlet over en bestemt periode på den samme prøvetagningsenhed (dvs. Den hierarkiske stokastiske struktur overtræder ols-regressions grundlæggende antagelser, nemlig uafhængige residualer og normalt distribuerede data med lige store afvigelser. Derfor giver brugen af OLS-regression uundgåeligt partiske estimater af standardfejlen i parameterestimater for disse data13,14.
Mixed effects-modeller er et effektivt værktøj til analyse af data med komplekse strukturer, f.eks. Mixed effects-modeller består af både faste komponenter, der er fælles for hele populationen, og tilfældige komponenter, som er specifikke for hvert prøveudtagningsniveau. Desuden tager modeller med blandede effekter højde for heteroscedasticitet og autokorrelation i tid og rum ved at definere ikke-diagonale varians-kovariansstrukturmatrixer17,18,19. Af denne grund er blandede effekter modeller blevet flittigt brugt i skovbrug, såsom i diameter-højde modeller20,21, krone modeller22,23, selvfortyndende modeller24,25, og vækstmodeller26,27.
Her var hovedformålet at udvikle en individuel-træ basal område tilvækst model ved hjælp af en lineær blandet effekt tilgang. Vi håber, at den blandede virkning kan anvendes i vid udstrækning.
Et afgørende spørgsmål for udviklingen af mixed effects-modeller er at afgøre , hvilke parametre der kan behandles som tilfældige effekter , og hvilke der bør betragtes som faste virkninger34,35. Der er foreslået to metoder. Den mest almindelige tilgang er at behandle alle parametre som tilfældige effekter og derefter få den bedste model valgt af AIC, BIC, Loglik og LRT. Dette var den metode, der anvendes af vores undersøgelse35….
The authors have nothing to disclose.
Denne forskning blev finansieret af grundforskningsfondene for de centrale universiteter, tilskudsnummer 2019GJZL04. Vi takker professor Weisheng Zeng på Academy of Forest Inventory and Planning, National Forestry and Grassland Administration, Kina for at give adgang til data.