Skip to main content

Imputing missing height measures using a mixed-effects modeling strategy

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

This paper proposes a method whereby height–diameter regression from an inventory can be incorporated into a height imputation algorithm. Point-level subsampling is often employed in forest inventory for efficiency. Some trees will be measured for diameter and species, while others will be measured for height and 10-year increment. Predictions of these missing measures would be useful for estimating volume and growth, respectively, so they are often imputed. We present and compare three imputation strategies: using a published model, using a localized version of a published model, and using best linear unbiased predictions from a mixed-effects model. The bases of our comparison are four-fold: minimum fitted root mean squared error and minimum predicted root mean squared error under a 2000-fold cross-validation for tree-level height and volume imputations. In each case the mixed-effects model proved superior. This result implies that substantial environmental variation existed in the height–diameter relationship for our data and that its representation in the model by means of random effects was profitable.

Cet article propose une méthode qui permet d'incorporer la relation entre la hauteur et le diamètre provenant d'un inventaire forestier dans un algorithme d'imputation de la hauteur. À cause de son efficacité, le sous-échantillonnage dans des placettes à rayon variable est souvent utilisé dans les inventaires forestiers. En effet, la mesure du diamètre et l'essence sont notées chez certains arbres alors que la hauteur et le dernier accroissement décennal sont également mesurés chez d'autres arbres. La prédiction de ces mesures manquantes serait utile pour estimer le volume et la croissance de telle sorte qu'elles sont souvent imputées. Trois stratégies d'imputation sont présentées et comparées : l'utilisation d'un modèle publié, l'utilisation d'une version localisée d'un modèle publié et l'utilisation des meilleures prédictions linéaires non biaisées à partir d'un modèle à effets mixtes. La comparaison est basée sur quatre critères. Les deux mêmes critères sont utilisés pour l'imputation de la hauteur et pour l'imputation du volume : il s'agit de l'erreur-type minimum obtenue par ajustement et de l'erreur-type minimum prédite à partir de 2000 validations croisées. Tous les critères indiquent que le modèle à effets mixtes est le meilleur. Ce résultat implique que des variations environnementales substantielles ont affecté la relation entre la hauteur et le diamètre dans le cas de nos données et que la représentation de ces variations dans le modèle par des effets aléatoires est profitable.[Traduit par la rédaction]

Document Type: Research Article

Publication date: December 1, 2004

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • ingentaconnect is not responsible for the content or availability of external websites
nrc/cjfr/2004/00000034/00000012/art00012
dcterms_title,dcterms_description,pub_keyword
6
5
20
40
5

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
X
Cookie Policy
ingentaconnect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more