Модели смешанных эффектов являются гибкими и полезными инструментами для анализа данных с иерархической стохастической структурой в лесном хозяйстве, а также могут быть использованы для существенного повышения эффективности моделей роста лесов. Здесь представлен протокол, который синтезирует информацию, относящуюся к линейным моделям смешанных эффектов.
Здесь мы разработали индивидуальную модель 5-летнего базального прироста площади на основе набора данных, включая 21898 деревьев Picea asperata из 779 выборочных участков, расположенных в провинции Синьцзян на северо-западе Китая. Чтобы предотвратить высокую корреляцию между наблюдениями из одного и того же блока выборки, мы разработали модель, используя линейный подход смешанных эффектов со случайным эффектом сюжета для учета стохастической изменчивости. Различные переменные уровня деревьев и стендов, такие как индексы размера деревьев, конкуренции и состояния участка, были включены в качестве фиксированных эффектов для объяснения остаточной изменчивости. Кроме того, гетероскрастичность и автокорреляция были описаны путем введения функций дисперсии и структур автокорреляции. Оптимальная модель линейных смешанных эффектов определялась несколькими подходящими статистическими данными: информационным критерием Акаике, байесовским информационным критерием, вероятностью логаритма и тестом коэффициента вероятности. Результаты показали, что значительными переменными прироста базальной площади отдельных деревьев являются обратная трансформация диаметра на высоте груди, базальная площадь деревьев, больше, чем дерево субъекта, количество деревьев на гектар и высота. Кроме того, ошибки в структуре дисперсии были наиболее успешно смоделированы экспоненциальной функцией, а автокорреляция была значительно исправлена авто регрессивной структурой первого порядка (AR(1)). Производительность линейной модели смешанных эффектов была значительно улучшена по сравнению с моделью с использованием обычной регрессии с наименьшими квадратами.
По сравнению с ровным возрастом монокультуры, неравномерного возраста смешанного вида лесопользования с несколькимицелями получил повышенное внимание в последнее время 1,2,3. Прогнозирование различных альтернатив управления необходимо для разработки надежных стратегий лесопользования, особенно для сложных неровных возрастов смешанных видов леса4. Модели роста и урожайности лесов широко используются для прогнозирования развития деревьев или стендов по различнымсхемам управления 5,6,7. Модели роста и урожайности лесов классифицируются на модели индивидуального дерева, модели размерного класса и моделироста 6,7,8. К сожалению, модели класса размеров и модели стендов не подходят для лесов смешанного вида неравномерного возраста, которые требуют более подробного описания для поддержки процесса принятия решений в области лесопользования. По этой причине, индивидуального роста деревьев и урожайности модели получили повышенное внимание в течение последних нескольких десятилетий из-за их способности делать прогнозы для лесных стендов с различными видами композиций, структур истратегий управления 9,10,11.
Обычная регрессия наименее квадратов (OLS) является наиболее часто используемым методом для разработкимоделей роста отдельных деревьев 12,13,14,15. Наборы данных для моделей роста отдельных деревьев, собранные неоднократно в течение фиксированного периода времени на одной и той же единице выборки (т.е. образец участка или дерева) имеют иерархическую стохастичную структуру, с отсутствием независимости и высокой пространственной и временнойкорреляцией между наблюдениями 10,16. Иерархическая стохастическая структура нарушает фундаментальные предположения регрессии OLS: а именно независимые остатки и обычно распределенные данные с равными отклонениями. Таким образом, использование регрессии OLS неизбежно приводит к необъективным оценкам стандартной погрешности оценок параметровдля этих данных 13,14.
Модели смешанных эффектов обеспечивают мощный инструмент для анализа данных со сложными структурами, такими как данные повторных мер, продольные данные и многоуровневые данные. Модели смешанных эффектов состоят как из фиксированных компонентов, общих для полной популяции, так и из случайных компонентов, характерных для каждого уровня выборки. Кроме того, модели смешанных эффектов учитывают гетероседактичность и автокорреляцию в пространстве и времени, определяя не диагональную дисперсию-ковариациюструктуры матриц 17,18,19. По этой причине, смешанные эффекты модели широко используются в лесном хозяйстве, таких как в диаметревысоты модели 20,21,коронные модели 22,23, самоубавки модели24,25, и рост модели26,27.
В этой связи основная цель заключалась в разработке модели прироста базальных областей отдельных деревьев с использованием линейного подхода к смешанным эффектам. Мы надеемся, что подход, связанный со смешанными последствиями, может быть широко применен.
Важнейшим вопросом для разработки моделей смешанных эффектов является определение параметров, которые можно рассматривать как случайные эффекты, а какие следует рассматривать какфиксированные эффекты 34,35. Были предложены два метода. Наиболее распрост…
The authors have nothing to disclose.
Это исследование финансировалось Фондами фундаментальных исследований для центральных университетов, грант no 2019GJ’L04. Мы благодарим профессора Вайшенга Цзэна из Академии лесных запасов и планирования, Национального управления лесного хозяйства и лугов, Китай, за предоставление доступа к данным.