دانلود رایگان ترجمه مقاله ارزیابی پیش بینی های مکانی شاخص سایت با روش های پارامتری و غیر پارامتری (نشریه الزویر ۲۰۰۵) (ترجمه رایگان – برنزی ⭐️)

ارزیابی پیش بینی های مکانی شاخص سایت با استفاده از روش های پارامتری و غیر پارامتری – مطالعه موردی کاج لاجپول

Evaluation of spatial predictions of site index obtained by parametric and nonparametric methods—A case study of lodgepole pine productivity

چکیده
۱- مقدمه
۲- مواد و روش ها
۲-۱ مکان مورد مطالعه و منابع داده ها
۲-۲ توصیف مدل
۲-۳ ارزیابی مدل
۴- نتیجه گیری

چکیده
ما پتانسیل استفاده از رگرسیون حداقل مربعات،مدل افزایشی تعمیم یافته،مدل درخت محور و مدل شبکه ی عصبی را بر روی لایه های شبکه ی داده های محیطی برای تهیه ی نقشه ی شاخص سایت در یک مطالعه ی موردی اثبات می کنیم شبکه ای از متغیر های زیست محیطی به صورت داده های لایه ای نشان داده شده و شبکه ی پلات شاخص سایت پراکنده در داخل شبکه های جغرافیایی قرار داده شد. داده های شاخص سایت بر اساس انالیز ساقه(ارتفاع مشاهده شده در شاخص سنی ۵۰ سال) در ۴۳۱ کاج در ۸۸ پلات نمونه بودند. پلات ها در یک جنگل چوب مرکب تایگا ۱۷۴۶۰ کیلومتر مربع در البتای کانادا توسط پایه های بالغ و فوق بالغ اشغال شدند. مدل افزایشی تعمیم یافته برازش بهتر و سازگاری بهتری با داده نسبت به روش های حداقل مربعات غیر پارامتری و غیر خطی داشت.در میان ۴ مدل تست شده رگرسیون غیر خطی مدل سازی داده هاست که فرض می کند داده های تصادفی تولید را به متغیر های محیطی ارتباط می دهند و چنین مدل هایی برای براورد بهبنه سازی می شوند. دیگر مدل های درختی متعلق به شبکه ی الگوریتم که رابطه ی بین تولید و متغیر های مستقل را به صورت یک جعبه سیاه ناشناخته در نظر می گیرند و تلاش می کنند تا کارکرد و تابع بین ان ها را پیدا کنند وجود دارند. این مدل ها برای اهداف پیش بینی مناسب هستند. اهمیت مدل سازی شاخص بیوفیزیکی سایت با داده ها مورد بحث و بررسی قراار می گیرد..
۱٫ مقدمه
اگر چه تغییرات قابل توجهی از مدل سازی رشد و جنگل داری همسال ساده به جنگال کاری غیر ساده و مدل سازی رشد غیر همسال وجود دارد با این حال یک جایگزین کمی برای تولید بالقوه ی چوب برای تصمیم گیری به دلیل اهمیت کارکردی ان شاخص سایت که به صورت ارتفاع میانگین تعداد بزرگترینن درختان بر هر هکتار در یک سن مرجع خاص تعریف می شود یک جایگزین خوب پذیرفته شده برای تولید بالقوه است.موارد بسیاری وجود دارد که در ان شاخص سایت نمی تواند به طور کارامدی براورد شود زیرا این ویژه گونه بوده و شاخص فیتومتریک تولید سایت است. برای مثال ان را نمی توان در مناطق بدون درخت و یا در پایه هایی که گونه های مربوطه وجود ندارند براورد کرد. براورد ان در پایه های جوان مشکل است زیرا یک خطای خفیف در براورد می تواند موجب خطای بزرگ در عملکرد پیش بینی شده شود.
مطالعات مختلفی تلاش کردند تا شاخص سایت را به فاکتور های بیوفیزیکی ارتباط دهند((Hunter and Gibson, 1984 ،Kabzems and Klinka, 1987; Ung et al., 2001 ،McKenney and Pedlar, 2003)با این حال همبستگی های مشخص شده به طور کلی پایین هستند و روابط میان مطالعات به دلیل ارتباط نا مشخص بین SI و متغیر های بیوفیزیکی از فرق می کنند. تقریبا همه ی این مطالعات از روش پارامتری استفاده می کنند که دو مسئله را حل می کند:تعریف رابطه ی بین SI و متغیر های فیزیکی و هم خطی موجود بین متغیر های توجیهی در مدل رگرسیون .با توجه به این که رابطه بایستی قبل از براورد پارامتر تعیین شود و این که هیچ گونه رابطه ی مشخصی وجود ندارد استفاده از روش رگرسیون حداقل مربعات اشاره با خطای با منبع نا مشخصی دارد که ممکن است در رویکرد غیر پارامتری ایجاد شود. همچنین اغلب هم خطی در میان متغیر های بیوفیزیکی هنگامی به
وجود می اید که این متغیر ها به صورت مجموعه های خطی از دیگر متغیر های پیش بینی کننه بیان شود. برای مثال شاخص رطوبت اقلیمی که در این مطالعه استفاده شد مستقیما برگرفته از دما و بارش است که به نوبه ی خود با عرض جغرافیایی و ارتفاع ارتباط داد. هم خطی بر براورد اماری پارامتر ها تاثیر می گذارد زیرا موجب افزایش واریانس در یکی از ضرایب رگرسیون شده و در نتیجه براورد فاصله اطمینان را در حول مقادیر پیش بینی شده اریب می کند(Belsley et al., 1980).
برای اجتناب از این مسائل روش های جایگزین بایستی شناسایی و ارزیابی شود برای مثال McKenneyand Pedlar (2003) به طور موفقیت امیزی روش رگرسیون درخت محور را برای ارتباط دادن خاک توپوگرافی و متغیر هایاقلیمی به تولید سایت استفاده کردند. (TREE) دارای پتانسیل مقادیر ناپیوسته ی SI است دیگر روش های غیر پارامتری نظیر مدل افزایشی تعمیم یافته و مدل شبکه ی عصبی می توانند نتایج رضایت بخشی را در اختیار بگذارند زیرا خروجی ان ها پیوسته است. TREE،GAM وNNT همگی غیر پارامتری هستند زیرا هیچ گونه ساختار کارکردی بین متغیر های پیش بینی کننده و پاسخ وجود نداردGAM و NNT همگی به عنوان ابزار های کشف کننده در تجزیه تحلیل توزیع گونه ای با توجه به فاکتور های اقلیمی در مطالعه ی چشم انداز استفاده می شود(Yee and Mitchell, 1991) .همچنین به عنوان مدل های مرگ و میر و رشد درخت نیز کاربرد دارند(Guan andGertner, 1991a,b; Sironen et al., 2003), با این حال تا ان جا که ما می دانیم ان ها هنوز برای پیش بینی شاخص سایت از نظر مکانی استفاده نشدند .
هدف این مطالعه ارزیابی اهمیت روش های غیر پارامتری TREE, GAM وNNT و نیز مقایسه ی ان ها با مدل رگرسیون غیر خطی با حداقل مربعات در ایجاد یک مدل شاخص سایت مکانی برای پایه های بالغ کاج(Pinus contorta var. latifolia) در البرتای کانادا بود.

Abstract

We demonstrate the potential of using least-squares regression, generalized additive model, tree-based model, and neural network model on layers of environmental data grids for mapping site index in a case study. Grids of numerical environmental variables represented layered data, and a sparse site index plot network was located in the grids. Site index data were based on stem analysis (observed height at the index age of 50 years) of 431 lodgepole pine trees in 88 sample plots. The plots were established in a 17,460 km2 boreal mixedwood forest of Alberta, Canada dominated by mature and over-mature stands. The generalized additive model presented a better fit and better adaptability to extreme data (i.e., mature stands) than the least squares nonlinear and other nonparametric techniques, such as the tree-based model and neural network model. Among the four models tested, nonlinear regression is of the data modeling culture, which assumes a stochastic data to relate productivity to environmental variables, and such models are optimized for estimation. Other three models belong to the algorithm modeling culture, which treat the relationship between productivity and independent variables as an unknown black box and try to find a function between them; therefore, these models are more suitable for prediction purpose. Implications for biophysical site index modelling with extreme data are discussed..

۱٫ Introduction

Although there has been a paradigm shift from simple, even-aged silviculture and growth modelling to gap-based silviculture and uneven-aged growth modelling, a quantified surrogate of potential wood production is still required for forest management decisionmaking. Because of its operational importance, site index (SI), defined as the average height of a certain number of the largest trees per hectare at a particular reference age, is a broadly accepted surrogate of potential productivity. There are many cases where site index cannot be adequately estimated because it is a species-specific and phytometric index of site productivity. For example, it cannot be estimated in treeless areas or in stands where the concerned species is not present. Its estimation in young stands is difficult because a slight error in estimation can result in a large error on predicted yields. Various studies have thus attempted to relate SI to biophysical factors (Hunter and Gibson, 1984; Kabzems and Klinka, 1987; Ung et al., 2001; McKenney and Pedlar, 2003), but observed correlations are generally low, and the relationships differ among studies because of no definitive connection between SI and the biophysical variables. Almost all of these studies have used a parametric approach that implied solving two problems: the relationship definition between SI and the biophysical variables and collinearity existing between the explanatory variables in the regression model. Given that a relationship needs to be determined before parameter estimation and that no definite relationship exists, the use of the least square regression technique implies an unknown source of error that could be bypassed with a nonparametric approach. Also, collinearity often exists among biophysical variables when some of these can be expressed as linear combinations of other predictor variables. For example, climate moisture index, which is used in this study, is derived directly from temperature and precipitation, which in turn are related to latitude and elevation. Collinearity affects the statistical estimation of the parameters as it inflates the variance of at least one of the estimated regression coefficients, and consequently also inflates the estimation of the confidence interval around the predicted values (Belsley et al., 1980). To avoid these problems, alternative methods must be identified and assessed. For instance, McKenney and Pedlar (2003) have successfully applied a treebased regression method (TREE) for relating soil, topographic, and climatic attributes to site productivity. TREE has the potential of producing discontinuous SI values; other nonparametric methods such as the generalized additive model (GAM) and the neural network model (NNT) could generate satisfactory results because their outputs are continuous. TREE, GAM, and NNT are considered nonparametric because no functional structure between predictor and response variables is pre-specified. GAM and NNT have been used as exploratory tools in the analysis of species distribution with respect to climatic factors in a landscape study (Yee and Mitchell, 1991) and as tree growth and mortality models (Guan and Gertner, 1991a,b; Sironen et al., 2003), but, as far as we know, they have not yet been used to predict SI in spatial terms. The objective of this study was to assess the usefulness of the TREE, GAM, and NNT nonparametric techniques, and to compare them with the leastsquares nonlinear regression model (NLIN) in developing a spatial SI model for mature stands of lodgepole pine (Pinus contorta var. latifolia) in Alberta, Canada..

ارزیابی پیش بینی های مکانی شاخص سایت با استفاده از روش های پارامتری و غیر پارامتری – مطالعه موردی کاج لاجپول

Evaluation of spatial predictions of site index obtained by parametric and nonparametric methods—A case study of lodgepole pine productivity