Method Article

Doğrusal Karma EfektLer Yaklaşımı Kullanılarak Tek Tek Ağaç Bazal Alan Artış Modelinin Geliştirilmesi

DOI:

10.3791/60827

⸱

July 3rd, 2020

 ,  ,  , 
1Research Center of Forest Management Engineering of National Forestry and Grassland Administration, Beijing Forestry University, 2Research Institute of Forestry, Chinese Academy of Forestry

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Karma efekt modelleri, ormancılıkta hiyerarşik stokastik bir yapıya sahip verileri analiz etmek için esnek ve kullanışlı araçlardır ve orman büyüme modellerinin performansını önemli ölçüde artırmak için de kullanılabilir. Burada, doğrusal karma efekt modelleri ile ilgili bilgileri sentezleyen bir protokol sunulmuştur.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, Çin'in kuzeybatısındaki Sincan Eyaleti'nde bulunan 779 örnek arsadan 21898 Picea asperata ağacı içeren bir veri kümesine dayanarak 5 yıllık bazal alan artışlarından oluşan bir bireysel ağaç modeli geliştirdik. Aynı örnekleme ünitesinden gözlemler arasında yüksek korelasyonları önlemek için, stochastic değişkenliği hesaba katmak için rastgele çizim etkisine sahip doğrusal bir karma efekt yaklaşımı kullanarak modeli geliştirdik. Ağaç boyutu, rekabet ve site durumu endeksleri gibi çeşitli ağaç ve stand düzeyi değişkenleri, artık değişkenliği açıklamak için sabit efektler olarak dahil edildi. Ayrıca varyans fonksiyonları ve otokorrelasyon yapıları getirilerek heterosklastisite ve otokorrelasyon tanımlanmıştır. Optimal lineer karma efekt modeli birkaç uygun istatistikle belirlendi: Akaike'nin bilgi kriteri, Bayes bilgi kriteri, logaritma olasılığı ve olasılık oranı testi. Sonuçlar, bireysel ağaç bazal alan artışındaki önemli değişkenlerin, meme yüksekliğinde çapın ters dönüşümü, konu ağaçtan daha büyük ağaçların bazal alanı, hektar başına ağaç sayısı ve yükseklik olduğunu gösterdi. Ayrıca, varyans yapısındaki hatalar en başarılı şekilde üstel işlev tarafından modellenmiş ve otomatik ilişki birinci dereceden otoregressif yapı (AR(1)) ile önemli ölçüde düzeltilmiştir. Doğrusal karışık efektler modelinin performansı, sıradan en az kare gerilemesi kullanılarak modele göre önemli ölçüde geliştirilmiştir.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çift yaşlı monokültür ile karşılaştırıldığında, birden fazla hedefe sahip düzensiz yaşlı karma tür orman yönetimi son zamanlarda artan ilgi gördü1,2,3. Farklı yönetim alternatiflerinin öngörüsü, özellikle karmaşık düzensiz yaşlanmış karma türler ormanı4için sağlam orman yönetim stratejileri oluşturmak için gereklidir. Orman büyüme ve verim modelleri, çeşitli yönetim şemaları5,6,7altında ağaç veya stand geliştirme ve hasat tahmin etmek için yaygın olarak kullan....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Veri hazırlama

  1. Bireysel ağaç bilgilerini (1,3 m'de meme yüksekliğinde tür ve çap) ve çizim bilgilerini (eğim, yön ve yükseklik) içeren modelleme verilerini hazırlayın. Bu çalışmada, Çin'in kuzeybatısındaki Sincan Eyaleti'ndeki 8'inci (2009) ve 9'uncu (2014) Çin Ulusal Orman Envanteri'nden elde edilen veriler, 779 örneklem arsasının 21.898 gözlemini içermektedir. Bu örnek parseller 1 Mu (0.067 ha'ya eşdeğer Çince alan birimi) boyutuyla kare şeklindedir ve sistematik olarak 4 km x 8 km'lik bir ızgara üzerinde düzenlenmiştir.
    NOT: Modelleme (bazal alan) artışı için veriler en az bir büyüme dönemi (yani iki gözlem) gerektirir.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

P. asperata için temel bazal alan artış modeli Denklem (7) olarak ifade edildi. Parametre tahminleri, karşılık gelen standart hataları ve uygun olmayan istatistikler Tablo 2'de gösterilmiştir. Kalan arsa Şekil 1'de gösterilmiştir. Kalıntılarda belirgin heterosklastisite gözlendi.
figure-results-1(7)

TahminS.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Karma efektli modellerin geliştirilmesi için önemli bir konu, hangi parametrelerin rastgele efektler olarak değerlendirilebileceğini ve hangilerinin sabit efekt olarak kabul edilmesi gerektiğini belirlemektir34,35. İki yöntem önerildi. En yaygın yaklaşım, tüm parametreleri rasgele efektler olarak ele almak ve ardından AIC, BIC, Loglik ve LRT tarafından seçilen en iyi modele sahip olmaktır. Çalışmamızın kullandığı yöntem buydu35. Alternatif.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların açıklayacak bir şeyi yok.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma, 2019GJZL04 hibe numarası olan Merkez Üniversiteler için Temel Araştırma Fonları tarafından finanse edildi. Orman Envanteri ve Planlaması Akademisi, Ulusal Ormancılık ve Çayır İdaresi, Çin'deki Profesör Weisheng Zeng'e verilere erişim sağladığı için teşekkür ederiz.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Bilgisayaracer
Microsoft Office 2013
R x64 3.5.1

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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.

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Linear Mixed Effects ModelBasal Area IncrementRandom Plot EffectVariance FunctionsAutocorrelation StructureAkaike Information CriterionBayesian Information CriterionRestricted Maximum LikelihoodHeteroscedasticity CorrectionFirst Order Autoregressive

Related Articles