Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biology
Click here for the English version

Biology

एक रैखिक मिश्रित प्रभाव दृष्टिकोण का उपयोग कर एक व्यक्तिगत पेड़ बेसल क्षेत्र वेतन वृद्धि मॉडल का विकास

Published: July 3, 2020 doi: 10.3791/60827
Automatic Translation
1, 2, 2, 1
1Research Center of Forest Management Engineering of National Forestry and Grassland Administration, Beijing Forestry University, 2Research Institute of Forestry, Chinese Academy of Forestry

Summary

मिश्रित प्रभाव मॉडल वानिकी में एक पदानुक्रमित स्टोचस्टिक संरचना के साथ डेटा का विश्लेषण करने के लिए लचीले और उपयोगी उपकरण हैं और वन विकास मॉडल के प्रदर्शन में काफी सुधार करने के लिए भी उपयोग किया जा सकता है। यहां, एक प्रोटोकॉल प्रस्तुत किया जाता है जो रैखिक मिश्रित प्रभाव मॉडल से संबंधित जानकारी को संश्लेषित करता है।

Abstract

यहां, हमने उत्तर-पश्चिमी चीन के शिनजियांग प्रांत में स्थित ७७९ नमूना भूखंडों से २१८९८ पिकेरा एस्पेराटा पेड़ों सहित एक डेटासेट के आधार पर 5 साल के बेसल क्षेत्र वेतन वृद्धि का एक व्यक्तिगत पेड़ मॉडल विकसित किया । एक ही नमूना इकाई से टिप्पणियों के बीच उच्च सहसंबंधों को रोकने के लिए, हमने स्टोचस्टिक परिवर्तनशीलता के लिए यादृच्छिक भूखंड प्रभाव के साथ एक रैखिक मिश्रित प्रभाव दृष्टिकोण का उपयोग करके मॉडल विकसित किया। अवशिष्ट परिवर्तनशीलता को समझाने के लिए विभिन्न पेड़ और स्टैंड-लेवल चर, जैसे पेड़ के आकार, प्रतिस्पर्धा और साइट की स्थिति के लिए सूचकांक, निश्चित प्रभाव के रूप में शामिल किए गए थे। इसके अलावा, विषमता और ऑटोकोर्लेशन को विचरण कार्यों और ऑटोकोर्लेशन संरचनाओं को पेश करके वर्णित किया गया था। इष्टतम रैखिक मिश्रित प्रभाव मॉडल कई फिट आंकड़ों द्वारा निर्धारित किया गया था: Akaike की जानकारी मापदंड, Bayesian जानकारी कसौटी, logarithm संभावना है, और एक संभावना अनुपात परीक्षण । परिणामों से संकेत मिलता है कि व्यक्तिगत-पेड़ बेसल क्षेत्र वेतन वृद्धि के महत्वपूर्ण चर स्तन ऊंचाई पर व्यास के व्युत्क्रम परिवर्तन, विषय पेड़ से बड़े पेड़ों के बेसल क्षेत्र, प्रति हेक्टेयर पेड़ों की संख्या, और ऊंचाई थे । इसके अलावा, विचरण संरचना में त्रुटियों को घातीय कार्य द्वारा सबसे सफलतापूर्वक मॉडलिंग की गई थी, और ऑटोकोर्सेशन को पहले क्रम की ऑटोरिंgressive संरचना (एआर (1)) द्वारा काफी हद तक सही किया गया था। साधारण कम वर्गों प्रतिगमन का उपयोग करके मॉडल के सापेक्ष रैखिक मिश्रित प्रभाव मॉडल के प्रदर्शन में काफी सुधार हुआ था।

Introduction

यहां तक कि वृद्ध मोनोकल्चर की तुलना में, कई उद्देश्यों के साथ असमान-वृद्ध मिश्रित प्रजातियों के वन प्रबंधन को हालही में1,2,3पर बढ़ा हुआ ध्यान मिला है। मजबूत वन प्रबंधन रणनीतियों को तैयार करने के लिए विभिन्न प्रबंधन विकल्पों की भविष्यवाणी आवश्यक है, विशेष रूप से जटिल असमान-वृद्ध मिश्रित प्रजातियों के वन4के लिए। विभिन्न प्रबंधन योजनाओं के तहत वृक्ष या विकास और फसल की भविष्यवाणी करने के लिए वन विकास और उपज मॉडलकाव्यापक रूप से उपयोग किया गयाहै। वन विकास और उपज मॉडल को व्यक्तिगत-पेड़ मॉडल, आकार-वर्ग मॉडल, और पूरे स्टैंडविकास मॉडल6,7, 8में वर्गीकृत कियाजाताहै। दुर्भाग्य से, आकार वर्ग मॉडल और पूरे खड़े मॉडल असमान आयु वर्ग के मिश्रित प्रजातियों के जंगलों के लिए उपयुक्त नहीं हैं, जो एक और अधिक विस्तृत विवरण की आवश्यकता के लिए वन प्रबंधन निर्णय लेने की प्रक्रिया का समर्थन करते हैं । इस कारण से, व्यक्तिगत-पेड़ के विकास और उपज मॉडल को पिछले कुछ दशकों में विभिन्न प्रजातियों की रचनाओं, संरचनाओं औरप्रबंधन रणनीतियों9,10,11के साथ वन स्टैंड के लिए भविष्यवाणी करने की क्षमता के कारण बढ़ा हुआ ध्यान मिला है।

साधारण कम से कम वर्ग (ओल्स) प्रतिगमन व्यक्तिगत-वृक्ष विकास मॉडल 12 , 13 ,14, 15के विकास के लिए सबसे अधिक उपयोग की जाने वाली विधि है। एक ही नमूना इकाई (यानी, नमूना भूखंड या पेड़) पर समय की एक निश्चित लंबाई पर बार-बार एकत्र किए गए व्यक्तिगत-पेड़ विकास मॉडलों के लिए डेटासेट में एक पदानुक्रमित स्टोचस्टिक संरचना होती है, जिसमें स्वतंत्रता की कमी होती है और टिप्पणियों के बीच उच्च स्थानिक और लौकिक संबंध10,16होते हैं। पदानुक्रमित स्टोचस्टिक संरचना ओल्स प्रतिगमन की मौलिक मान्यताओं का उल्लंघन करती है: अर्थात् स्वतंत्र अवशिष्ट और सामान्य रूप से समान भिन्नता के साथ डेटा वितरित किया जाता है। इसलिए, ओल्स प्रतिगमन का उपयोग अनिवार्य रूप से इन आंकड़ों के लिए पैरामीटर अनुमानों की मानक त्रुटि13,14के पक्षपातपूर्ण अनुमानों का उत्पादन करता है ।

मिश्रित प्रभाव मॉडल जटिल संरचनाओं के साथ डेटा का विश्लेषण करने के लिए एक शक्तिशाली उपकरण प्रदान करते हैं, जैसे कि दोहराया गया उपाय डेटा, देशांतर डेटा, और बहु-स्तरीय डेटा। मिश्रित प्रभाव मॉडल दोनों निश्चित घटकों से मिलकर बनता है, पूरी आबादी के लिए आम है, और यादृच्छिक घटक, जो प्रत्येक नमूना स्तर के लिए विशिष्ट है । इसके अलावा, मिश्रित प्रभाव मॉडल गैर-विकर्ण विचरण-सहवयितसंरचना मैट्रिस17, 18,19को परिभाषित करके अंतरिक्ष और समय में विषमता और ऑटोकोर्लिएलेशन को ध्यान में रखते हैं। इस कारण से, वानिकी में मिश्रित प्रभाव मॉडल का बड़े पैमाने पर उपयोग किया गया है, जैसे व्यास-ऊंचाई मॉडल20,21,क्राउन मॉडल22,23,स्वयं-पतले मॉडल24,25,और विकास मॉडल26,27।

यहां, मुख्य उद्देश्य एक रैखिक मिश्रित प्रभाव दृष्टिकोण का उपयोग करके एक व्यक्तिगत-पेड़ बेसल क्षेत्र वेतन वृद्धि मॉडल विकसित करना था। हमें उम्मीद है कि मिश्रित प्रभाव दृष्टिकोण मोटे तौर पर लागू किया जा सकता है ।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. डेटा तैयार करना

  1. मॉडलिंग डेटा तैयार करें, जिसमें व्यक्तिगत-पेड़ की जानकारी (1.3 मीटर पर स्तन ऊंचाई पर प्रजातियां और व्यास) और प्लॉट जानकारी (ढलान, पहलू और ऊंचाई) शामिल हैं। इस अध्ययन में, डेटा 8 (२००९) और 9 (२०१४) शिनजियांग प्रांत, पश्चिमोत्तर चीन में चीनी राष्ट्रीय वन सूची से प्राप्त किए गए थे, जिसमें ७७९ नमूना भूखंडों की २१,८९८ टिप्पणियां शामिल हैं । ये नमूना भूखंड वर्ग के आकार के 1 एमयू (0.067 हेक्टेयर के बराबर क्षेत्र की चीनी इकाई) के आकार के साथ हैं और व्यवस्थित रूप से 4 किमी x 8 किमी के ग्रिड पर व्यवस्थित रूप से व्यवस्थित हैं।
    नोट: मॉडलिंग (बेसल क्षेत्र) वेतन वृद्धि के लिए डेटा के लिए कम से कम एक विकास अवधि (यानी, दो टिप्पणियों) की आवश्यकता होती है।
  2. बेतरतीब ढंग से डेटा को दो डेटासेट में विभाजित करें, मॉडल फिटिंग (मॉडल डेवलपमेंट डेटासेट) के लिए उपयोग किए जाने वाले नमूना भूखंडों से 80% डेटा के साथ, जिसमें 623 नमूना भूखंडों से 17,145 अवलोकन और मॉडल सत्यापन (मॉडल सत्यापन डेटासेट) के लिए 20% होते हैं जिसमें 156 नमूना भूखंडों से 4,753 अवलोकन होते हैं। उपयोग किए जाने वाले प्रमुख चरों के वर्णनात्मक आंकड़े तालिका 1में प्रदान किए जाते हैं।
    नोट: मॉडलिंग प्रक्रिया के इस कदम को छोड़ा जा सकता है, और सभी डेटा मॉडल विकास के लिए उपयोग किया जाता है।
चर फिटिंग डेटा सत्यापन डेटा
मिनट अधिकतम औसत एस.डी. मिनट अधिकतम औसत एस.डी.
DBH1 (सेमी) 5 124.8 19.9 13.2 5 101.5 19.5 13.4
क्यूएमडी (सेमी) 6.7 82.3 22.5 8.5 9.2 73.3 21.8 9.2
आईडी (सेमी) 0.1 14.4 1.1 1 0.1 16.9 1 1.1
बाल (एम3) 0 5.2 1.7 0.9 0 5.4 1.7 1
एनटी (पेड़/हा) 14.9 3642 1072 673.7 14.9 3418 1205 829.3
बीए (एम2/ha) 0.1 77.5 34.2 13.9 0.1 80.6 34.5 15.3
ईएल (एम) 2 3302 2189 340.3 1441 3380 2256 308.3

तालिका 1. फिटिंग और सत्यापन डेटा के लिए सारांश आंकड़े। DBH1:1.3 मीटर (DBH) पर स्तन ऊंचाई पर प्रारंभिक व्यास, DBH2:DBH विकास के 5 साल के बाद मापा, QMD: चतुर्भुज मतलब व्यास, आईडी: 5 साल के लिए व्यास वेतन वृद्धि (DBH2-DBH 1),बाल: विषय पेड़ से बड़ा पेड़ के बेसल क्षेत्र (विषय पेड़: पेड़ जो प्रतियोगिता सूचकांक की गणना की गई थी), NT: प्रति हेक्टेयर पेड़ों की संख्या, बीए: बेसल क्षेत्र प्रति हेक्टेयर, ईएल: ऊंचाई, एसडी: मानक विचलन ।

2. बुनियादी मॉडल विकास

  1. अलग-अलग पेड़ बेसल क्षेत्र वेतन वृद्धि को प्रभावित करने वाले चरों की पहचान करने के लिए संदर्भों से परामर्श करें।
  2. डेटा के आधार पर चर का चयन करें और गणना करें। आम तौर पर, व्यक्तिगत-पेड़ बेसल क्षेत्र वेतन वृद्धि चर के तीन समूहों से प्रभावित होती है: पेड़ का आकार, प्रतिस्पर्धा, और साइट की स्थिति27,28,29, 30।
    1. DBH1,DBH 1 के वर्ग (), DBH1 (1/DBH Equation 11 1) के व्युत्क्रम परिवर्तन, और DBH 1(logDBH1) या उनमें से संयोजन के आम logarithm के रूप में पेड़ के आकार के प्रभाव पर विचार करें ।
    2. एक पेड़ द्वारा अनुभवी प्रतिस्पर्धा के स्तर को अधिक व्यापक रूप से निर्धारित करने के लिए प्रतिस्पर्धा के एक और दो तरफा सूचकांकों जैसे प्रतिस्पर्धी प्रभावों पर विचार करें, साथ ही स्टैंड के भीतर इसकी सामाजिक स्थिति । एक तरफा प्रतियोगिता में बाल और सापेक्ष घनत्वसूचकांक (आरडी = DBH 1/QMD) शामिल हैं; दो तरफा प्रतियोगिता में एनटी, और बीए शामिल हैं ।
      नोट: यदि डेटा उपलब्ध है तो दूरी पर निर्भर प्रतिस्पर्धा सूचकांकों पर विचार किया जाना चाहिए।
    3. पहलू (एएसपी), ढलान (SL), और ईएल SL और एएसपी जैसे साइट प्रभावों पर विचार करें स्टेज के परिवर्तन31का उपयोग करके शामिल किया जाना चाहिए ।
  3. लॉग Equation 12 (- Equation 11 +1) Equation 12 (DBH2के वर्ग को दर्शाता है) निर्भर चर के रूप में चुनें।
  4. स्टेपवाइज प्रतिगमन विधि का उपयोग करके बुनियादी मॉडल विकसित करें। सुनिश्चित करें कि मॉडल जैविक रूप से उचित है और स्वतंत्र चर के बीच महत्वपूर्ण अंतर प्रदर्शित करता है। बहुसंग्रहीयता की जांच करने के लिए विचरण मुद्रास्फीति कारक (वीआईएफ) का उपयोग करें।
  5. बुनियादी मॉडल में पी एंड एलटी; 0.05 और वीआईएफ एंड एलटी; 5 के साथ स्वतंत्र चर छोड़ दें।
  6. आउटपुट बुनियादी मॉडल परिणाम और अवशिष्ट साजिश। यहां उत्पादित बुनियादी मॉडल एक मिश्रित प्रभाव मॉडल के आगे के विकास के लिए एक नींव के रूप में कार्य करता है ।

3. आर सॉफ्टवेयर में पैकेज "एनएलएमई" के साथ रैखिक मिश्रित प्रभाव मॉडल विकास

  1. मॉडल विकास डेटासेट पढ़ें और पैकेज "एनएलएमई" लोड करें।
    >model.development.dataset=read.csv ("ई:/DATA/JoVE/modelingdata.csv",
    हेडर =ट्रू)
    और जीटी; लाइब्रेरी (एनएलएमई)
  2. मिश्रित प्रभाव मॉडल विकसित करने के लिए यादृच्छिक प्रभाव के रूप में नमूना भूखंडों का चयन करें।
  3. अधिकतम संभावना (एमएल) विधि के साथ यादृच्छिक प्रभावों के सभी संभव संयोजनों को फिट करें और परिणामों को आउटपुट करें।
    >मॉडल एंड लेफ्टिनेंट;-lme (Y ~ 1/DBH1+ BAL +NT +EL, data=model.development.dataset,
    विधि ="एमएल", यादृच्छिक =~ 1| प्लॉट)
    और अधिक से अधिक सारांश (मॉडल)
    1. यादृच्छिक सेट करें =~ 1 यादृच्छिक मापदंडों के लिए अवरोधन है। जब तक सभी संयोजन फिट न हों तब तक यादृच्छिक विवरण बदलें। उदाहरण के लिए, 1/DBH1 और बाल को यादृच्छिक मापदंडों के रूप में सेट करने के लिए, कोड इस प्रकार है: यादृच्छिक =~ 1/DBH1+ बाल-1। इसके अलावा, फिटिंग की प्रक्रिया में, कोड फिट मॉडल के गैर-उल्लंघन के कारण त्रुटियों की रिपोर्ट कर सकते हैं।
  4. Akaike की सूचना कसौटी (एआईसी), बायेसियन सूचना मापदंड (बीआईसी), लॉगरिथम संभावना (Loglik), और संभावना अनुपात परीक्षण (LRT) द्वारा सर्वश्रेष्ठ मॉडल का चयन करें ।
    और gt;anova (मॉडल.1, मॉडल.6)
    और gt;anova (मॉडल.6, मॉडल.23)
    और gt;anova (मॉडल.23, मॉडल.30)
  5. आरआईकी संरचना निर्धारित करें । आरआई32के विषमता और ऑटोकॉरिएलिटी को संबोधित करें । आरमैं इस प्रकार के रूप में लिखा है:
    Equation 1(1)
    जहां σ2 एक अज्ञात स्केलिंग कारक है जो मॉडल अवशिष्ट विचरण के बराबर है, जीमैं एक विकर्ण मैट्रिक्स है जो विषमता का वर्णन करता है, और Γमैं एक मैट्रिक्स है जो ऑटोकॉरिएलेशन का वर्णन करता है।
    1. निरीक्षण करें कि क्या अवशिष्टों में अवशिष्ट कथानक से विषमता है या नहीं। यदि विषमता है (अवशिष्टों में एक स्पष्ट पैटर्न या प्रवृत्ति होती है), तो त्रुटियों को भिन्न करने के लिए तीन बार उपयोग किए जाने वाले विचरण कार्यों को लागू करें- निरंतर प्लस पावर फ़ंक्शन, पावर फ़ंक्शन और घातीय कार्य।
      >Model.30.1<-lme (Y ~ 1/DBH1+BAL+NT+EL, data=model.development.dataset, method="ML",,रैंडम =~ 1/DBH1+BAL+NT| प्लॉट
      वजन = varConstPower (फार्म =~ फिट (.)))
      >सारांश (मॉडल.30.1)
      >Model.30.2<-lme (Y ~ 1/DBH1+BAL+NT+EL, data=model.development.dataset, method="ML",,रैंडम =~1/DBH1+BAL+NT| प्लॉट
      वजन = वरपावर (फॉर्म =~ फिट (.)))
      >सारांश (मॉडल.30.2)
      >Model.30.3<-lme (Y ~ 1/DBH1+BAL+NT+EL, data=model.development.dataset, method="ML",,रैंडम =~ 1/DBH1+BAL+NT| प्लॉट
      वजन = varExp (फार्म =~ फिट (.)))
      और अधिक से अधिकसारांश (मॉडल.30.3)
    2. एआईसी, बीआईसी, लॉगलिक और एलआरटी के अनुसार मॉडल के लिए सबसे अच्छा विचरण फ़ंक्शन निर्धारित करें।
      >इनोवा (मॉडल.30, मॉडल.30.1)
      >इनोवा (मॉडल.30, मॉडल.30.2)
      और gt;anova (मॉडल.30, मॉडल.30.3)
    3. तीन आमतौर पर इस्तेमाल किया ऑटोकोरिएलेशन संरचनाओं का परिचय-यौगिक समरूपता संरचना (सीएस), प्रथम क्रम ऑटोरिगणित संरचना [एआर (1)], और पहले क्रम के स्वतः र्द्धनशील और चलती औसत संरचनाओं का एक संयोजन [ARMA (1,1)]-ऑटोसंबंध के लिए खाते हैं ।
      >model.30.3.1<-lme (Y ~ 1/DBH1+BAL+NT+EL, data=model.development.dataset, method="ML",
      यादृच्छिक =~ 1/DBH1+ BAL +NT| प्लॉट, वजन = वरएक्सपी (फॉर्म =~ फिट (.)), कोर = कॉर्कॉम्सीएमएम ())
      और अधिक से अधिक सारांश (मॉडल.30.3.1)
      >model.30.3.2<-lme (Y ~ 1/DBH1+ BAL +NT+EL, data=model.development.dataset, method="ML",
      यादृच्छिक =~ 1/DBH1+ BAL +NT| प्लॉट, वजन = वरएक्सपी (फॉर्म =~ फिट (.)), कोर =corAR1 ())
      और अधिक से अधिक सारांश (मॉडल.30.3.2)
      >model.30.3.3<-lme (Y ~ 1/DBH1+ BAL +NT+EL, data=model.development.dataset, method="ML",
      यादृच्छिक =~ 1/DBH1+ BAL +NT| प्लॉट, वजन = वरएक्सपी (फॉर्म =~ फिट (.)), कोररमा (क्यू=1,पी=1))
      और अधिक से अधिक सारांश (मॉडल.30.3.3)
    4. एआईसी, बीआईसी, लॉगलिक और एलआरटी के अनुसार सबसे अच्छा ऑटोसंपनेशन स्ट्रक्चर निर्धारित करें।
      इसकेअलावा मॉडल.30.3.2, मॉडल.30.3.2
      नोट: जीआई और Γi को परिभाषित नहीं किया जा सकता है यदि कोई विषमता और ऑटोकॉरिएलिटी नहीं है।
    5. प्रतिबंधित अधिकतम संभावना (आरईएमएल) विधि का उपयोग करके मिश्रित प्रभाव मॉडल के अंतिम परिणामों को आउटपुट करें।
      >Mixed.model<-lme (Y ~1/DBH1+BAL+NT+EL, data=model.development.dataset, method="REML",,रैंडम=~1/DBH1+BAL+NT| प्लॉट
      वजन = varExp (फार्म =~ फिट (.)), corr=corAR1 ())
      >सारांश (Mixed.model)

4. पूर्वाग्रह सुधार

  1. मूल पैमाने पर एक logarithmic पैमाने पर अंतिम मॉडल का उपयोग कर बेसल क्षेत्र वेतन वृद्धि के अनुमानित मूल्यों को बदलना। हालांकि, लॉग-ट्रांसफॉर्म किए गए मॉडल से अनुमानित मूल्य का ऐसा रैखिक बैक परिवर्तन एक संबद्ध लॉग-ट्रांसफॉर्मेशन पूर्वाग्रह पैदा करता है। लॉग-पूर्वाग्रह से निपटने के लिए, एक सुधार कारक को भविष्यवाणी समीकरण में प्राप्त किया गया था और एकीकृत किया गया था, जो किसी दिए गए पेड़ [समीकरण (समीकरण (2)] के लिए वास्तविक भविष्यवाणी बेसल क्षेत्र वेतन वृद्धि का अनुमान लगाता है:
    Equation 2(2)
    जहां Equation 13 मॉडल से बेसल क्षेत्र वेतन वृद्धि के logarithmic मूल्य की भविष्यवाणी की है, जबकि Equation 14 वापस 5 साल के लिए बेसल क्षेत्र वेतन वृद्धि के परिवर्तन मूल्य लॉग परिवर्तन पूर्वाग्रह के लिए सही करने के बाद बदल रहा है । Equation 15 साजिश में यादृच्छिक प्रभाव से विचरण है और σ2 अवशिष्ट विचरण है ।
  2. बेसल क्षेत्र वेतन वृद्धि () व्यास वेतन वृद्धि में परिवर्तित Equation 14 करें।

5. मॉडल भविष्यवाणी और मूल्यांकन

  1. भविष्यवाणी के लिए धारा 1.2 में उत्पादित मॉडल सत्यापन डेटासेट तैयार करें।
  2. व्यक्तिगत-पेड़ बेसल क्षेत्र वृद्धि की भविष्यवाणी करने के लिए रैखिक मिश्रित प्रभाव मॉडल का उपयोग करें। यादृच्छिक घटकों की गणना निम्नलिखित सर्वश्रेष्ठ रैखिक निष्पक्ष कारक का उपयोग करके की गई थी:
    Equation 3(3)
    Equation 16यादृच्छिक घटकों के लिए एक वेक्टर कहां है; Equation 17 बीच-भूखंड परिवर्तनशीलता के लिए विचरण-सहविर्ष मैट्रिक्स Equation 18 है; पूरक टिप्पणियों पर कार्य करने वाले यादृच्छिक घटकों के लिए डिजाइन मैट्रिक्स Equation 19 है; अवशिष्ट वेक्टर है जिसके घटक बेसल क्षेत्र वृद्धि और निश्चित प्रभाव मॉडल का उपयोग करके अनुमानित वृद्धि के बीच अंतर द्वारा दिए जाते हैं ।
  3. निम्नलिखित तीन सांख्यिकीय संकेतकों23,33का उपयोग करके मूल मॉडल और रैखिक मिश्रित प्रभाव मॉडल की भविष्य कहनेवाला क्षमता का मूल्यांकन और तुलना करें ।
    Equation 4(4)
    Equation 5(5)
    Equation 6(6)
    जहां ओब्जमैं बेसल क्षेत्र वेतन वृद्धि है, estमैं भविष्यवाणी बेसल क्षेत्र वेतन वृद्धि Equation 20 है, टिप्पणियों का मतलब है, और एन टिप्पणियों की संख्या है ।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

पी एस्परेटा के लिए बेसिक बेसल एरिया इंक्रीमेंट मॉडल को समीकरण (7) के रूप में व्यक्त किया गया था । पैरामीटर अनुमान, उनके संबंधित मानक त्रुटियां, और फिट की कमी के आंकड़े तालिका 2में दिखाए गए हैं । अवशिष्ट कथानक चित्र 1में दिखाया गया है । अवशेषों की स्पष्ट विषमता देखी गई।
Equation 7(7)

अनुमान लगाना मानक त्रुटि टी-टेस्ट पी-वैल्यू वीआईएफ
इंस्टीट 2.41 2.26E-02 106.78 <2e-16 -
1/DBH1 -5.84 7.57E-02 -77.19 <2e-16 1.12
बाल -0.0954 3.34E-03 -28.54 <2e-16 1.08
एनटी -0.000158 4.74E-06 -33.31 <2e-16 1.12
एल -0.00011 9.07E-06 -12.13 <2e-16 1.05
एआईसी = 16789
बीआईसी = 16836
लोगिक = -8389

तालिका 2. बुनियादी मॉडल परिणाम। अनुमानित पैरामीटर, उनकी संबंधित मानक त्रुटियां, और समीकरण (7) से प्राप्त कमी-ऑफ-फिट आंकड़े। VIF: विचरण मुद्रास्फीति कारक, एआईसी: Akaike की जानकारी कसौटी, बीआईसी: Bayesian सूचना कसौटी, और Loglik: logarithm संभावना ।

Figure 1
चित्रा 1. समीकरण (7) से प्राप्त अवशिष्ट साजिश। अवशिष्टों में एक स्पष्ट प्रवृत्ति होती है, यानी अवशिष्टों की स्पष्ट विषमता देखी गई। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

समीकरण (7) के लिए यादृच्छिक प्रभाव मापदंडों के 31 संभावित संयोजन थे। फिटिंग के बाद, 30 संयोजन अभिसरण(तालिका 3)तक पहुंच गए । इन 30 संयोजनों में, समीकरण के मॉडल 30 (8) का चयन किया गया था क्योंकि यह सबसे कम एआईसी (9083), सबसे कम बीआईसी (9207), सबसे बड़ा लॉगलिक (-4525) प्राप्त हुआ था, और अन्य मॉडलों की तुलना में एलआरटी काफी अलग था।
Equation 8(8)
जहां β1 - β5 निश्चित प्रभाव पैरामीटर हैं और बी1 - बी4 यादृच्छिक प्रभाव पैरामीटर हैं।

को गढ़ना यादृच्छिक पैरामीटर एआईसी बिक लॉगलिक एलआरटी पी-वैल्यू
इंस्टीट 1/DBH1 बाल एनटी एल
1 ▲ 10175 10230 -5081
2 ▲ 11630 11684 -5808
3 ▲ 11772 11826 -5879
4 ▲ 10556 10611 -5271
5 ▲ 10259 10313 -5123
6 ▲ ▲ 9268 9338 -4625 911.1 <0001
(1 बनाम 6)
7 ▲ ▲ 9411 9481 -4697
8 ▲ ▲ 10179 10249 -5081
9 ▲ ▲ 10179 10249 -5080
10 ▲ ▲ 10829 10899 -5406
11 ▲ ▲ 9532 9601 -4757
12 ▲ ▲ 9335 9405 -4659
13 ▲ ▲ 9803 9873 -4892
14 ▲ ▲ 9465 9535 -4723
15 ▲ ▲ 10200 10270 -5091
16 ▲ ▲ ▲ नॉनकंवर्सेंस
17 ▲ ▲ ▲ 9271 9364 -4624
18 ▲ ▲ ▲ 9274 9367 -4625
19 ▲ ▲ ▲ 9417 9510 -4696
20 ▲ ▲ ▲ 9417 9510 -4697
21 ▲ ▲ ▲ 10184 10277 -5080
22 ▲ ▲ ▲ 9332 9425 -4654
23 ▲ ▲ ▲ 9132 9225 -4554 142.7 <0001
(23 बनाम 6)
24 ▲ ▲ ▲ 9293 9386 -4634
25 ▲ ▲ ▲ 9443 9536 -4709
26 ▲ ▲ ▲ ▲ 9083 9207 -4525
27 ▲ ▲ ▲ ▲ 9086 9210 -4527
28 ▲ ▲ ▲ ▲ 9280 9404 -4624
29 ▲ ▲ ▲ ▲ 9425 9549 -4696
30 ▲ ▲ ▲ ▲ 9083 9207 -4525 56.8 <0001
(30 बनाम 23)
31 ▲ ▲ ▲ ▲ ▲ 9091 9254 -4525

तालिका 3. प्रत्येक रैखिक मिश्रित प्रभाव मॉडल के मूल्यांकन सूचकांक। ▲: फिटिंग के लिए यादृच्छिक प्रभाव पैरामीटर का चयन किया गया था; LRT: संभावना अनुपात परीक्षण।

लाइनर मिश्रित प्रभाव मॉडल विचरण कार्यों और सहसंबंध संरचनाओं के साथ तालिका 4में दिखाया गया है । एआईसी, बीआईसी, लॉगलिक और एलआरटी के अनुसार, घातीय फ़ंक्शन और एआर (1) को क्रमशः सर्वश्रेष्ठ विचरण समारोह और ऑटोसंक्शन संरचना के रूप में चुना गया था।

को गढ़ना विचरण समारोह सहसंबंध संरचना एआईसी बिक लॉगलिक एलआरटी पी-वैल्यू
30 नहीं अलग 9083 9207 -4525
30.1 कॉन्स्टपावर अलग 9075 9215 -4520 11.8क 0.0028
30.2 शक्ति अलग 9073 9205 -4520 11.7क 6.00E-04
30.3 घातांक अलग 9073 9204 -4519 12.3क 5.00E-04
30.3.1 घातांक सीएस नॉनकंवर्सेंस
30.3.2 घातांक एआर (1) 9050 9189 -4507 24.9बी <0001
30.3.3 घातांक अरमा (1,1) नॉनकंवर्सेंस

तालिका 4. रैखिक मिश्रित प्रभाव व्यक्तिगत-पेड़ बेसल क्षेत्र वेतन वृद्धि मॉडल विभिन्न विचरण कार्यों और विभिन्न सहसंबंध संरचनाओं के साथ प्रदर्शन की तुलना। सीएस: यौगिक समरूपता संरचना, एआर (1): एक प्रथम क्रम ऑटोर्रेसिव संरचना, ARMA (1,1): पहले क्रम के ऑटोर्रेसिव और चलती औसत संरचनाओं का संयोजन; मॉडल 30 के लिए एक संभावना अनुपात की गणना की गई थी; बी संभावना अनुपात मॉडल 30.3 के लिए गणना की गई थी।

अंतिम रैखिक मिश्रित प्रभाव व्यक्तिगत-पेड़ बेसल क्षेत्र वेतन वृद्धि मॉडल REML विधि [समीकरण (9)] का उपयोग कर प्रस्तावित किया गया था । अनुमानित निश्चित पैरामीटर, उनकी संबंधित मानक त्रुटियां, और फिट की कमी के आंकड़े तालिका 5में दिखाए गए हैं। अंतिम मॉडल की अवशिष्ट कथानक चित्र 2में दर्शाई गई है . अवशेषों में एक महत्वपूर्ण सुधार देखा गया।
Equation 9(9)
कहां
Equation 10(10)

अनुमान लगाना मानक त्रुटि टी-टेस्ट पी-वैल्यू
इंस्टीट 2.8086 7.99E-02 35.14 <0.01
1/DBH1 -6.2402 1.56E-01 -40.01 <0.01
बाल -0.1324 8.07E-03 -16.41 <0.01
एनटी -0.0001 2.26E-05 -4.921 <0.01
एल -0.0003 3.32E-05 -7.86 <0.01
एआईसी = 9105
बीआईसी = 9244
लोगिक = -4535

तालिका 5. एमixed प्रभाव मॉडल परिणाम। अनुमानित निश्चित मापदंड, उनके संबंधित मानक त्रुटियां, और समीकरण (9) से प्राप्त कमी-ऑफ-फिट आंकड़े।

Figure 2
चित्रा 2। समीकरण(9)से प्राप्त अवशिष्ट साजिश। चित्र 1 की तुलना में, अवशेषों में एक महत्वपूर्ण सुधार देखा गया था। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

तालिका 6 समीकरण (7) और समीकरण (9) के तीन भविष्यवाणी आंकड़े सूचीबद्ध । मूल मॉडल की तुलना में, रैखिक मिश्रित प्रभाव मॉडल के प्रदर्शन में काफी सुधार हुआ था।

को गढ़ना पूर्वाग्रह आरएमएसई आर2
बेसिक मॉडल 0.297 0.377 0.479
मिश्रित प्रभाव मॉडल 0.221 0.286 0.699

तालिका 6. बुनियादी मॉडल और रैखिक मिश्रित प्रभाव मॉडल के मूल्यांकन सूचकांक। तीन भविष्यवाणी के आंकड़ों से एक महत्वपूर्ण सुधार देखा गया ।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

मिश्रित प्रभाव मॉडलों के विकास के लिए एक महत्वपूर्ण मुद्दा यह निर्धारित करना है कि किन मापदंडों को यादृच्छिक प्रभाव माना जा सकता है और जिन्हें निश्चित प्रभाव माना जाना चाहिए34,35. दो तरीके प्रस्तावित किए गए हैं। सबसे आम दृष्टिकोण सभी मापदंडों को यादृच्छिक प्रभाव के रूप में इलाज करना है और फिर एआईसी, बीआईसी, लॉगलिक और एलआरटी द्वारा चुना गया सबसे अच्छा मॉडल है। यह हमारे अध्ययनद्वारा नियोजितविधि थी । ओल्स प्रतिगमन के साथ हर नमूना भूखंड के लिए बेसल क्षेत्र वेतन वृद्धि मॉडल फिट करने के लिए एक विकल्प है। जिन मापदंडों में उच्च परिवर्तनशीलता होती है और इन मॉडलों के बीच नमूना भूखंडों में विश्वास अंतराल में कम ओवरलैप होता है , उन्हें यादृच्छिक लोगों के रूप में माना जा सकता है17.

विषमता और ऑटोकोरिएलेशन के लिए खाते में, तीन विचरण कार्य और तीन ऑटोकोरिएलेशन संरचनाएं पेश की गईं। कैलामा और मोंटेरो17 और उजोह और ओलिवर27के परिणामों के अनुरूप, घातीय कार्य और एआर (1) क्रमशः इष्टतम विचरण समारोह और ऑटोसंक्शन संरचना होने के लिए निर्धारित किया गया था।

मिश्रित प्रभाव मॉडल का अनुमान लगाने के लिए सांख्यिकीय सॉफ्टवेयर कार्यक्रमों में दो सबसे अधिक उपयोग किए जाने वाले तरीके हैं: एमएल और आरईएमएल17। एमएल अधिक लचीला है क्योंकि मॉडल है कि या तो उनके निश्चित प्रभाव या उनके यादृच्छिक प्रभाव में अलग सीधे तुलना की जा सकती है । हालांकि, एमएल द्वारा प्राप्त विचरण के लिए अनुमानक पक्षपातपूर्ण है क्योंकि एमएल इस तथ्य के लिए खाता नहीं है कि अवरोधन और ढलान का अनुमान भी लगाया जाता है (जैसा कि कुछ के लिए जाना जाता है)। आरईएमएल बेहतर एमएल अनुमान प्रदान कर सकता है। इसलिए, जब मॉडल तुलना पूरी हो गई, तो आरईएमएल विधि का उपयोग अंतिम मॉडल फिटिंग17,18,36के लिए किया गया था।

इस अध्ययन में, हमने पाया कि एक रैखिक मिश्रित प्रभाव दृष्टिकोण का उपयोग करके पी एस्परेटा के लिए व्यक्तिगत-पेड़ बेसल क्षेत्र वेतन वृद्धि मॉडल ओल्स प्रतिगमन का उपयोग करके बुनियादी मॉडल पर एक महत्वपूर्ण सुधार का प्रतिनिधित्व करता है। मिश्रित प्रभाव मॉडल पदानुक्रमित स्टोचस्टिक संरचना के साथ डेटा मॉडलिंग के लिए एक कुशल उपकरण प्रदान करते हैं, जिससे यह कृषि, जीव विज्ञान, अर्थशास्त्र, विनिर्माण और भूभौतिकी जैसे क्षेत्रों में व्यापक रूप से लागू होता है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

इस शोध को केंद्रीय विश्वविद्यालयों के लिए मौलिक अनुसंधान कोष, अनुदान संख्या 2019GJZL04 द्वारा वित्त पोषित किया गया था। हम डेटा तक पहुंच प्रदान करने के लिए वन सूची और योजना अकादमी, राष्ट्रीय वानिकी और चरागाह प्रशासन, चीन में प्रोफेसर Weisheng Zeng को धन्यवाद देते हैं ।

Materials

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

DOWNLOAD MATERIALS LIST

References

  1. Meng, J., Lu, Y., Ji, Z. Transformation of a Degraded Pinus massoniana Plantation into a Mixed-Species Irregular Forest: Impacts on Stand Structure and Growth in Southern China. Forests. 5 (12), 3199-3221 (2014).
  2. Sharma, A., Bohn, K., Jose, S., Cropper, W. P. Converting even-aged plantations to uneven-aged stand conditions: A simulation analysis of silvicultural regimes with slash pine (Pinus elliottii Engelm). Forest Science. 60 (5), 893-906 (2014).
  3. Zhu, J., et al. Feasibility of implementing thinning in even-aged Larix olgensis plantations to develop uneven-aged larch–broadleaved mixed forests. Journal of Forest Research. 15 (1), 71-80 (2010).
  4. Leites, L. P., Robinson, A. P., Crookston, N. L. Accuracy and equivalence testing of crown ratio models and assessment of their impact on diameter growth and basal area increment predictions of two variants of the Forest Vegetation Simulator. Canadian Journal of Forest Research. 39 (3), 655-665 (2009).
  5. Pretzsch, H. Forest Dynamics, Growth and Yield. , (2009).
  6. Weiskittel, A. R., et al. Forest growth and yield modeling. Forest Growth & Yield Modeling. 7 (2), 223-233 (2002).
  7. Burkhart, H. E., Tomé, M. Modeling Forest Trees and Stands. , Springer. Netherlands. (2012).
  8. Zhang, X. Chinese Academy Of Forestry. A linkage among whole-stand model, individual-tree model and diameter-distribution model. Journal of Forest Science. 56 (56), 600-608 (2010).
  9. Peng, C. Growth and yield models for uneven-aged stands: past, present and future. Forest Ecology & Management. 132 (2), 259-279 (2000).
  10. Lhotka, J. M., Loewenstein, E. F. An individual-tree diameter growth model for managed uneven-aged oak-shortleaf pine stands in the Ozark Highlands of Missouri, USA. Forest Ecology & Management. 261 (3), 770-778 (2011).
  11. Porté, A., Bartelink, H. H. Modelling mixed forest growth: a review of models for forest management. Ecological Modelling. 150 (1), 141-188 (2002).
  12. Moses, L. E., Gale, L. C., Altmann, J. Methods for analysis of unbalanced, longitudinal, growth data. American Journal of Primatology. 28 (1), 49-59 (2010).
  13. Biging, G. S. Improved Estimates of Site Index Curves Using a Varying-Parameter Model. Forest Science. 31 (31), 248-259 (1985).
  14. Kowalchuk, R. K., Keselman, H. J. Mixed-model pairwise multiple comparisons of repeated measures means. Psychological Methods. 6 (3), 282-296 (2001).
  15. Hayes, A. F., Cai, L. Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior Research Methods. 39 (4), 709-722 (2007).
  16. Gutzwiller, K. J., Riffell, S. K. Using Statistical Models to Study Temporal Dynamics of Animal-Landscape Relations. , Springer. Boston, MA. (2007).
  17. Calama, R., Montero, G. Multilevel linear mixed model for tree diameter increment in stone pine (Pinus pinea): a calibrating approach. 39, (2005).
  18. Vonesh, E. F., Chinchilli, V. M. Linear and nonlinear models for the analysis of repeated measurements. Journal of Biopharmaceutical Statistics. 18 (4), 595-610 (1996).
  19. Zobel, J. M., Ek, A. R., Burk, T. E. Comparison of Forest Inventory and Analysis surveys, basal area models, and fitting methods for the aspen forest type in Minnesota. Forest Ecology & Management. 262 (2), 188-194 (2011).
  20. Sharma, M., Parton, J. Height-diameter equations for boreal tree species in Ontario using a mixed-effects modeling approach. Forest Ecology & Management. 249 (3), 187-198 (2007).
  21. Crecente-Campo, F., Tomé, M., Soares, P., Diéguez-Aranda, U. A generalized nonlinear mixed-effects height–diameter model for Eucalyptus globulus L. in northwestern Spain. Forest Ecology & Management. 259 (5), 943-952 (2010).
  22. Fu, L., Sharma, R. P., Hao, K., Tang, S. A generalized interregional nonlinear mixed-effects crown width model for Prince Rupprecht larch in northern China. Forest Ecology & Management. 389 (2017), 364-373 (2017).
  23. Hao, X., Yujun, S., Xinjie, W., Jin, W., Yao, F. Linear mixed-effects models to describe individual tree crown width for China-fir in Fujian Province, southeast China. Plos One. 10 (4), 0122257 (2015).
  24. Vanderschaaf, C. L., Burkhart, H. E. Comparing methods to estimate Reineke's Maximum Size-Density Relationship species boundary line slope. Forest Science. 53 (3), 435-442 (2007).
  25. Zhang, L., Bi, H., Gove, J. H., Heath, L. S. A comparison of alternative methods for estimating the self-thinning boundary line. Canadian Journal of Forest Research. 35 (6), 1507-1514 (2005).
  26. Hart, D. R., Chute, A. S. Estimating von Bertalanffy growth parameters from growth increment data using a linear mixed-effects model, with an application to the sea scallop Placopecten magellanicus. Ices Journal of Marine Science. 66 (9), 2165-2175 (2009).
  27. Uzoh, F. C. C., Oliver, W. W. Individual tree diameter increment model for managed even-aged stands of ponderosa pine throughout the western United States using a multilevel linear mixed effects model. Forest Ecology & Management. 256 (3), 438-445 (2008).
  28. Condés, S., Sterba, H. Comparing an individual tree growth model for Pinus halepensis Mill. in the Spanish region of Murcia with yield tables gained from the same area. European Journal of Forest Research. 127 (3), 253-261 (2008).
  29. Pokharel, B., Dech, J. P. Mixed-effects basal area increment models for tree species in the boreal forest of Ontario, Canada using an ecological land classification approach to incorporate site effects. Forestry. 85 (2), 255-270 (2012).
  30. Wykoff, W. R. A basal area increment model for individual conifers in the northern Rocky Mountains. Forest Science. 36 (4), 1077-1104 (1990).
  31. Stage, A. R. Notes: An Expression for the Effect of Aspect, Slope, and Habitat Type on Tree Growth. Forest Science. 22 (4), 457-460 (1976).
  32. Gregorie, T. G. Generalized Error Structure for Forestry Yield Models. Forest Science. 33 (2), 423-444 (1987).
  33. Zhao, L., Li, C., Tang, S. Individual-tree diameter growth model for fir plantations based on multi-level linear mixed effects models across southeast China. Journal of Forest Research. 18 (4), 305-315 (2013).
  34. Hall, D. B., Bailey, R. L. Modeling and Prediction of Forest Growth Variables Based on Multilevel Nonlinear Mixed Models. Forest Science. 47 (3), 311-321 (2001).
  35. Yang, Y., Huang, S., Meng, S. X., Trincado, G., Vanderschaaf, C. L. A multilevel individual tree basal area increment model for aspen in boreal mixedwood stands : Journal canadien de la recherche forestière. Revue Canadienne De Recherche Forestière. 39 (39), 2203-2214 (2009).
  36. Pinheiro, J. C., Bates, D. M. Mixed-effects models in S and S-Plus. Publications of the American Statistical Association. 96 (455), 1135-1136 (2000).

Tags

जीव विज्ञान अंक 161 व्यक्तिगत-पेड़ मॉडल बेसल क्षेत्र वेतन वृद्धि साधारण कम वर्ग (ओल्स) प्रतिगमन पदानुक्रमित स्टोचस्टिक संरचना विषमता ऑटोसंलिक्शन रैखिक मिश्रित प्रभाव दृष्टिकोण
एक रैखिक मिश्रित प्रभाव दृष्टिकोण का उपयोग कर एक व्यक्तिगत पेड़ बेसल क्षेत्र वेतन वृद्धि मॉडल का विकास
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wang, W., Bai, Y., Jiang, C., Meng,… More

Wang, W., Bai, Y., Jiang, C., Meng, J. Development of an Individual-Tree Basal Area Increment Model using a Linear Mixed-Effects Approach. J. Vis. Exp. (161), e60827, doi:10.3791/60827 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter