A subscription to JoVE is required to view this content. Sign in or start your free trial.
מודלים של אפקטים מעורבים הם כלים גמישים ושימושיים לניתוח נתונים עם מבנה סטוכסטי היררכי ביערנות ויכולים לשמש גם לשיפור משמעותי בביצועים של מודלים לצמיחת יער. כאן מוצג פרוטוקול המסונתז מידע הקשור למודלים של אפקטים מעורבים ליניאריים.
כאן, פיתחנו מודל של עץ יחיד של מרווחי שטח בסיסיים ל-5 שנים המבוססים על ערכת נתונים הכוללת עצי אספרטה של Picea משנת 21898 מ-779 חלקות לדוגמה הממוקמות במחוז שינג'יאנג, צפון-מערב סין. כדי למנוע מתאמים גבוהים בין תצפיות מאותה יחידת דגימה, פיתחנו את המודל באמצעות גישה ליניארית מעורבת אפקטים עם אפקט עלילה אקראית כדי להסביר את השונות הסטוצ'סטית. משתנים שונים ברמת העצים והמעמד, כגון מדדים לגודל עץ, תחרות ומצב אתר, נכללו כאפקטים קבועים כדי להסביר את השונות השיורית. בנוסף, הטרוסקסטיות וטיפוח אוטומטי תוארו על ידי החדרת פונקציות שונות ומבני תיקון אוטומטי. מודל ההשפעות המעורבות הליניאריות האופטימלי נקבע על ידי מספר סטטיסטיקות התאמה: קריטריון המידע של Akaike, קריטריון המידע הבייסיאני, הסבירות לוגריתם ומבחן יחס הסבירות. התוצאות הצביעו על כך שמשתנים משמעותיים של שטח הבסיס של עץ יחיד היו הטרנספורמציה ההופכית של קוטר בגובה השד, שטח הבסיס של עצים הגדולים מעץ הנושא, מספר העצים לדונם וגובהם. יתר על כן, שגיאות במבנה השונות תוכננו בהצלחה רבה על-ידי הפונקציה המעריכית, והתיקון האוטומטי תוקן באופן משמעותי על-ידי מבנה תוקפנות אוטומטית מסדר ראשון (AR(1)). הביצועים של מודל האפקטים המעורבים הליניאריים שופרו באופן משמעותי ביחס לדגם באמצעות רגרסיה רגילה של ריבועים לפחות.
בהשוואה למונוקולטורה מיושנת, ניהול יערות מעורבים בגילאים לא אחידים עם מטרות מרובות זכה לאחרונה לתשומת לב מוגברת1,2,3. חיזוי חלופות ניהול שונות הכרחי לגיבוש אסטרטגיות חזקות לניהול יערות, במיוחד עבור יער מורכב שאינו מיושן בין מינים מעורבים4. גידול יער מודלים תשואה שימשו בהרחבה כדי לחזות עץ או לעמוד פיתוח וקציר תחת תוכניות ניהול שונות5,6,7. מודלים של צמיחת יערות ותפוקה מסווגים למודלים של עצים בודדים, דגמי גודל ומודלים של צמיחה שלמים6,7,8. למרבה הצער, מודלים בגודל מעמד ומודלים שלמים אינם מתאימים ליערות מעורבים בגילאים לא אחידים, הדורשים תיאור מפורט יותר כדי לתמוך בתהליך קבלת ההחלטות של ניהול היער. מסיבה זו, מודלים של צמיחת עצים בודדים ומודלים של תשואה קיבלו תשומת לב מוגברת לאורך העשורים האחרונים בגלל יכולתם לבצע תחזיות עבור יער עומד עם מגוון רחב של הרכבים מינים, מבנים, ואסטרטגיות ניהול9,10,11.
רגרסיה רגילה הריבועים הפחותים (OLS) היא השיטה הנפוצה ביותר לפיתוח מודלים לצמיחת עצים בודדים12,13,14,15. ערכות הנתונים עבור מודלים של צמיחת עצים בודדים שנאספו שוב ושוב לאורך זמן קבוע על אותה יחידת דגימה (כלומר, חלקת מדגם או עץ) יש מבנה סטוכסטי היררכי, עם חוסר עצמאות מתאם מרחבי וטמפורלי גבוה בין תצפיות10,16. המבנה הסטוצטי ההיררכי מפר את הנחות היסוד של רגרסיה OLS: כלומר שאריות עצמאיות ונתונים מופצים בדרך כלל עם שונות שווה. לכן, השימוש ברגרסיה OLS מייצר באופן בלתי נמנע הערכות מוטות של השגיאה הסטנדרטית של אומדני הפרמטרים עבור נתונים אלה13,14.
מודלים של אפקטים מעורבים מספקים כלי רב עוצמה לניתוח נתונים עם מבנים מורכבים, כגון נתוני מדידות חוזרות ונשנות, נתונים אורך ונתונים מרובי רמות. מודלים של אפקטים מעורבים מורכבים הן מרכיבים קבועים, המשותפים לאוכלוסיה המלאה והן רכיבים אקראיים, הספציפיים לכל רמת דגימה. בנוסף, מודלים של אפקטים מעורבים לוקחים בחשבון הטרוסקסואליות ותיקון אוטומטי במרחב ובזמן על ידי הגדרת מבנה שונות-שונות-שונות לא אלכסוני מטריצות17,18,19. מסיבה זו, מודלים של אפקטים מעורבים שימשו בהרחבה ביערנות, כגון במודלים בגובה קוטר20,21, דגמיכתר 22,23, מודלים לדילול עצמי24,25, ומודלים צמיחה26,27.
כאן, המטרה העיקרית הייתה לפתח מודל בהפרש קבוע של אזור בזלת של עץ יחיד באמצעות גישה ליניארית של אפקטים מעורבים. אנו מקווים כי הגישה אפקטים מעורבים יכול להיות מיושם באופן נרחב.
1. הכנת נתונים
משתנים | התאמת נתונים | נתוני אימות | |||||||
דקות | מקס | מתכוון | ס.ד. | דקות | מקס | מתכוון | ס.ד. | ||
DBH1 (ס"מ) | 5 | 124.8 | 19.9 | 13.2 | 5 | 101.5 | 19.5 | 13.4 | |
QMD (ס"מ) | 6.7 | 82.3 | 22.5 | 8.5 | 9.2 | 73.3 | 21.8 | 9.2 | |
מזהה (ס"מ) | 0.1 | 14.4 | 1.1 | 1 | 0.1 | 16.9 | 1 | 1.1 | |
BAL (m3) | 0 | 5.2 | 1.7 | 0.9 | 0 | 5.4 | 1.7 | 1 | |
NT (עצים/חה) | 14.9 | 3642 | 1072 | 673.7 | 14.9 | 3418 | 1205 | 829.3 | |
תואר ראשון (מ'2/חה) | 0.1 | 77.5 | 34.2 | 13.9 | 0.1 | 80.6 | 34.5 | 15.3 | |
אל (ז) | 2 | 3302 | 2189 | 340.3 | 1441 | 3380 | 2256 | 308.3 |
שולחן 1. סטטיסטיקת סיכום עבור נתוני התאמה ואימות. DBH1: קוטר ראשוני בגובה השד ב 1.3 מטר (DBH), DBH2: DBH נמדד לאחר 5 שנים של צמיחה, QMD: קוטר ממוצע ריבועי, מזהה: תוספת קוטר במשך 5 שנים (DBH2 – DBH 1 ), BAL: השטח הבסיסי שלעציםגדולים יותר מעץ הנושא (עץ הנושא: העץ שחושב מדדי התחרות), NT: מספר העצים לדונם, BA: אזור בסיסי לדונם, EL: גובה, SD: סטיית תקן.
2. פיתוח מודל בסיסי
3. פיתוח מודל אפקטים מעורבים ליניארי עם החבילה "nlme" בתוכנת R
4. תיקון הטיה
5. חיזוי והערכה של מודלים
מודל ההפרש הקבוע הבסיסי של אזור הבסיס עבור P. אספרטה הובע כמשוואה (7). הערכות הפרמטרים, שגיאות התקן המתאימות שלהן וסטטיסטיקת חוסר ההתאמה מוצגות בטבלה 2. העלילה שיורית מוצגת באיור 1. נצפתה הטרוסקסואליות בולטת של שאריות השיוריות.(7)
נושא מכריע לפיתוח מודלים של אפקטים מעורבים היא לקבוע אילו פרמטרים ניתן להתייחס כמו אפקטים אקראיים ואשר צריך להיחשב אפקטים קבועים34,35. הוצעו שתי שיטות. הגישה הנפוצה ביותר היא להתייחס לכל הפרמטרים כאל אפקטים אקראיים ולאחר מכן לבחור את המודל הטוב ביותר על-ידי A...
למחברים אין מה לחשוף.
מחקר זה מומן על ידי קרנות המחקר הבסיסיות לאוניברסיטאות המרכזיות, מענק מספר 2019GJZL04. אנו מודים לפרופסור וישנג זנג באקדמיה למלאי ותכנון יערות, מינהל היערנות הלאומי וארץ העשב, סין על מתן גישה לנתונים.
Name | Company | Catalog Number | Comments |
Computer | acer | ||
Microsoft Office 2013 | |||
R x64 3.5.1 |
Request permission to reuse the text or figures of this JoVE article
Request PermissionThis article has been published
Video Coming Soon
Copyright © 2025 MyJoVE Corporation. All rights reserved