Modellen met gemengde effecten zijn flexibele en nuttige instrumenten voor het analyseren van gegevens met een hiërarchische stochastische structuur in de bosbouw en kunnen ook worden gebruikt om de prestaties van bosgroeimodellen aanzienlijk te verbeteren. Hier wordt een protocol gepresenteerd dat informatie synthetiseert met betrekking tot lineaire mixed-effects modellen.
Hier ontwikkelden we een individueel boommodel van 5-jarige basale gebiedsverhogingen op basis van een dataset met 21898 Picea asperata-bomen van 779 voorbeeldpercelen in de provincie Xinjiang, noordwest-China. Om hoge correlaties tussen waarnemingen van dezelfde bemonsteringseenheid te voorkomen, ontwikkelden we het model met behulp van een lineaire gemengde effectenbenadering met willekeurig ploteffect om rekening te houden met stochastische variabiliteit. Verschillende boom- en standniveauvariabelen, zoals indexen voor boomgrootte, concurrentie en locatieconditie, werden opgenomen als vaste effecten om de resterende variabiliteit te verklaren. Bovendien werden heteroscedasticiteit en autocorrelation beschreven door de introductie van variantiefuncties en autocorrelationstructuren. Het optimale lineaire mixed-effects model werd bepaald door verschillende fit statistieken: Akaike’s informatiecriterium, Bayesian informatiecriterium, logaritme waarschijnlijkheid en een waarschijnlijkheidsverhouding test. De resultaten wezen erop dat significante variabelen van de toename van het basale gebied van individuele bomen de omgekeerde transformatie van de diameter op borsthoogte, het basale gebied van bomen groter dan de onderwerpboom, het aantal bomen per hectare en de verhoging waren. Bovendien werden fouten in de variantiestructuur het meest succesvol gemodelleerd door de exponentiële functie en werd de autocorrelation aanzienlijk gecorrigeerd door de eerste orde autoregressieve structuur (AR(1)). De prestaties van het lineaire mixed-effects model werden aanzienlijk verbeterd ten opzichte van het model met behulp van gewone minste kwadraten regressie.
In vergelijking met even oude monocultuur heeft het ongelijkberijpte bosbeheer van gemengde soorten met meerdere doelstellingen de laatste tijd meer aandacht gekregen1,2,3. Voorspelling van verschillende beheeralternatieven is noodzakelijk voor het formuleren van robuuste bosbeheerstrategieën, met name voor complexe ongelijkberijpte gemengde soorten bos4. Bosgroei – en opbrengstmodellen zijn op grote schaal gebruikt om de ontwikkeling en oogst van bomen of standen te voorspellen in het kader van verschillende beheersschema ‘s5,6,7. Bosgroei – en opbrengstmodellen worden ingedeeld in individuele boommodellen, modellen van grootteklasse en groeimodellen voor helestanden 6,7,8. Helaas zijn modellen van grootteklasse en modellen van hele standen niet geschikt voor ongelijkberijpte gemengde soorten bossen, die een meer gedetailleerde beschrijving vereisen om het besluitvormingsproces voor bosbeheer te ondersteunen. Om deze reden hebben individuele boomgroei – en opbrengstmodellen de afgelopen decennia meer aandacht gekregen vanwege hun vermogen om voorspellingen te doen voor bosopstanden met een verscheidenheid aan soortensamenstellingen, structuren en beheerstrategieën9,10,11.
Gewone minst kwadraten (OLS) regressie is de meest gebruikte methode voor de ontwikkeling van individuele boomgroeimodellen12,13,14,15. De datasets voor individuele boomgroeimodellen die herhaaldelijk over een bepaalde tijdsduur op dezelfde bemonsteringseenheid (d.w.z. steekproefplot of boom) worden verzameld , hebben een hiërarchische stochastische structuur, met een gebrek aan onafhankelijkheid en een hoge ruimtelijke en temporele correlatie tussen waarnemingen10,16. De hiërarchische stochastische structuur schendt de fundamentele veronderstellingen van OLS-regressie: namelijk onafhankelijke resten en normaal gedistribueerde gegevens met gelijke verschillen. Daarom levert het gebruik van OLS-regressie onvermijdelijk bevooroordeelde schattingen op van de standaardfout van parameterschattingen voor deze gegevens13,14.
Mixed-effects-modellen bieden een krachtig hulpmiddel voor het analyseren van gegevens met complexe structuren, zoals gegevens voor herhaalde metingen, longitudinale gegevens en gegevens op meerdere niveaus. Modellen met gemengde effecten bestaan uit zowel vaste componenten, gemeenschappelijk voor de volledige populatie, als willekeurige componenten, die specifiek zijn voor elk bemonsteringsniveau. Bovendien houden modellen met gemengde effecten rekening met heteroscedasticiteit en autocorrelation in ruimte en tijd door niet-diagonale variantie-covariantiestructuur matrices17,18,19te definiëren . Om deze reden zijn modellen met gemengde effecten op grote schaal gebruikt in de bosbouw, zoals in modellen met diameterhoogte20,21, kroonmodellen22,23, zelfverdunnende modellen24,25en groeimodellen26,27.
Hier was het belangrijkste doel om een individueel-boom basaal gebiedsverhogingsmodel te ontwikkelen met behulp van een lineaire mixed-effects-benadering. Wij hopen dat de aanpak van gemengde effecten breed kan worden toegepast.
Een cruciaal punt voor de ontwikkeling van modellen met gemengde effecten is te bepalen welke parameters als willekeurige effecten kunnen worden behandeld en welke als vaste effecten moeten worden beschouwd34,35. Er zijn twee methoden voorgesteld. De meest voorkomende aanpak is om alle parameters als willekeurige effecten te behandelen en vervolgens het beste model te laten selecteren door AIC, BIC, Loglik en LRT. Dit was de methode die werd gebruikt door onze st…
The authors have nothing to disclose.
Dit onderzoek is gefinancierd door de Fundamental Research Funds for the Central Universities, subsidienummer 2019GJZL04. We danken professor Weisheng Zeng van de Academy of Forest Inventory and Planning, National Forestry and Grassland Administration, China voor het verstrekken van toegang tot gegevens.