Application of Spatial Regression Models for Forest Biomass Estimation in Guizhou Province, Southwest China

Qi, Ying; Zhang, Y.C.; Wang, K.; He, Sanzhong; Tan, Wei

doi:10.15666/aeer/1805_72157232

Cited by 3 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Equações ajustadas para a base de ajuste (605 árvores) e para a base de dados de calibração (66 árvores), pelo método tradicional e as estatísticas utilizadas para comparação (𝑹², 𝑺𝒚𝒙 e 𝑺𝒚𝒙 %), para os grupos de povoamento, parcela e para o geral dos plantios comerciais de acácia negra, localizados no Rio Grande do Sul. P á g i n a | 111 povoamentos são maiores que os valores entre as parcelas, sugerindo que a adição deste último cluster (parcela) não é justificável para o presente trabalho uma vez que, as parcelas estão alocadas em condições de plantios e tratos silviculturais similares (QI et al, 2020).…”

Section: Modelo De Volume Ajustado Pelo Método Tradicionalunclassified

Calibração De Equações De Volume Em Nível De Povoamento E Parcela Para Acácia Negra

Santos

Koehler

Sanquetta

et al. 2022

BIOFIX

View full text Add to dashboard Cite

Os dados obtidos com a cubagem de diversas árvores é o método mais utilizado para estimar o volume em novos povoamentos usando-se da regressão dos mínimos quadrados (método tradicional). A cubagem é uma prática onerosa, portanto, faz-se necessária a utilização de técnicas alternativas com o intuito de obter estimativas comparáveis com aquelas que utilizam diversas árvores para a estimativa de volume (método tradicional), para reduzir a amostragem de árvores. A calibração da equação mista se destaca entre as alternativas. O objetivo da pesquisa foi ajustar o modelo de volume de Schumacher-Hall em dois níveis (povoamento e parcela) e calibrar esta equação utilizando a modelagem mista, comparando-a com as equações obtidas por meio do método tradicional. Os dados são provenientes de plantios de Acacia mearnsii De Wild. nos municípios de Cristal, Encruzilhada do Sul e Piratini, no estado do Rio Grande do Sul, Brasil. A calibração foi avaliada utilizando nove métodos diferentes. A base de dados é composta por 670 árvores com idades variando de 1 a 10,75 anos. As variáveis mensuradas foram diâmetro à altura do peito, altura total e volume do fuste. As estatísticas utilizadas para a avaliação foram o coeficiente de determinação, erro padrão da estimativa, análise de resíduos e análise gráfica da relação entre o volume observado e estimado. A calibração das equações mistas com apenas três árvores, possibilitou a obtenção de estimativas próximas as do método tradicional, entretanto, com uma redução considerável do número de árvores amostradas para a efetuação da cubagem. A inclusão do nível parcela na modelagem mista, não revelou ganhos consideráveis na acurácia, apenas o nível povoamento apresentou resultados satisfatórios para o presente estudo.

show abstract

Section: Modelo De Volume Ajustado Pelo Método Tradicionalunclassified

Calibração De Equações De Volume Em Nível De Povoamento E Parcela Para Acácia Negra

Santos

Koehler

Sanquetta

et al. 2022

BIOFIX

View full text Add to dashboard Cite

show abstract

“…However, spatial effects in data often appear in the form of patches or geographic gradients, which can violate the independence and homogeneity assumptions of OLS and other traditional statistical methods (Green et al 2005, Subedi et al 2018. To this end, to include spatial effects in the regression framework, scholars have used spatial regression models, which estimate the covariance matrix to model the spatial autocorrelation of variables in adjacent locations; examples include the spatial lag model (SLM), the spatial error model (SEM) and the linear mixed model (LMM - Anselin 2001, Lu & Zhang 2011, Quirós-Segovia et al 2016, Qi et al 2020). The GWR model fits the spatial relationship of each location within a given bandwidth, explores the nonstationarity of a space and enhances the description and prediction of the spatial distribution, which makes it a very attractive tool for forestry modeling (Brunsdon et al 1996, Mennis 2006.…”

Section: Introductionmentioning

confidence: 99%

A geographically weighted deep neural network model for research on the spatial distribution of the down dead wood volume in Liangshui National Nature Reserve (China)

Sun¹,

Ao²,

Jia³

et al. 2021

iForest

View full text Add to dashboard Cite

In natural forest ecosystems, there is often abundant down dead wood (DDW) due to wind disasters, which greatly changes the size and structure of forests. Accurately determining the DDW volume (DDWV) is crucial for sustaining forest management, predicting the dynamic changes in forest resources and assessing the risks of natural disasters or disturbances. However, existing models cannot accurately express the significant spatial nonstationarity or complexity in their spatial relationships. To this end, we established a geographically weighted deep neural network (GWDNN) model that constructs a spatially weighted neural network (SWNN) through geographic location data and builds a neural network through stand factors and remote sensing factors to improve the interpretability of the spatial model of DDWV. To verify the effectiveness of this method, using 2019 data from Liangshui National Nature Reserve, we compared model fit, predictive ability and residual spatial autocorrelation among the GWDNN model and four other spatial models: an ordinary least squares (OLS) model, a linear mixed model (LMM), a geographically weighted regression (GWR) model and a deep neural network (DNN) model. The experimental results show that the GWDNN model is far superior to the other four models according to various indicators; the coefficient of determination R 2 , root mean square error (RMSE), mean absolute error (MAE), Moran's I and Z-statistic values of the GWDNN model were 0.95, 1.05, 0.77, -0.01 and -0.06, respectively. In addition, compared with the other models, the GWDNN model can more accurately depict local spatial variations and details of the DDWV in Liangshui National Nature Reserve.

show abstract

Modelling Biomass

Gonçalves

2024

Green Energy and Technology

View full text Add to dashboard Cite

Application of Spatial Regression Models for Forest Biomass Estimation in Guizhou Province, Southwest China

Cited by 3 publications

References 0 publications

Calibração De Equações De Volume Em Nível De Povoamento E Parcela Para Acácia Negra

Calibração De Equações De Volume Em Nível De Povoamento E Parcela Para Acácia Negra

A geographically weighted deep neural network model for research on the spatial distribution of the down dead wood volume in Liangshui National Nature Reserve (China)

Modelling Biomass

Contact Info

Product

Resources

About