Skip to main content

Analysis and comparison of nonlinear tree height prediction strategies for Douglas-fir forests

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Using an extensive Douglas-fir data set from southwest Oregon, we examined the (1) performance and suitability of selected prediction strategies, (2) contribution of relative position and stand-density measures in improving tree height (h) prediction values, and (3) effect of different subsampling designs to fill in missing h values in a new stand using a regional nonlinear model. Nonlinear mixed-effects models (NMEM) substantially improved the accuracy and precision of height prediction over the conventional nonlinear fixed-effects model (NFEM) that assumes the observations are independent, particularly when a few trees are subsampled for height. The predictive performance of a correction factor on a NFEM with relative position and stand-density measures was comparable to that of a NMEM when four or more trees were subsampled for height. When two or more heights were randomly subsampled, the NMEM efficiently explained the differences in the height–diameter relationship because of the variations in relative position of trees and stand density without having to incorporate them into the model. When only one height was subsampled, selecting the largest diameter tree in the stand would result in a lower predicted root mean square error (RMSE) than randomly selecting the height, regardless of the model form or fitting strategy used.

À l’aide d’une banque de données exhaustive sur le sapin Douglas du sud-ouest de l’Oregon, nous avons examiné (1) la performance et la pertinence des stratégies de prédiction sélectionnées, (2) la contribution de la position relative de l’arbre et de la densité du peuplement pour améliorer la prédiction de la hauteur des arbres et (3) l’effet de différents dispositifs d’échantillonnage pour imputer la hauteur manquante dans un nouveau peuplement à l’aide d’un modèle non linéaire régional. Les modèles non linéaires à effets mixtes (MNLEM) améliorent substantiellement l’exactitude et la précision des prédictions de la hauteur comparativement au modèle non linéaire à effets fixes conventionnel (MNLEF). Ce dernier suppose que les observations sont indépendantes, particulièrement lorsque peu d’arbres sont échantillonnés pour évaluer la hauteur. La performance prédictive d’un facteur de correction pour le MNLEF basé sur la mesure de la position relative de l’arbre et de la densité du peuplement est comparable à celle du MNLEM lorsque quatre arbres ou plus sont échantillonnés pour évaluer la hauteur. Lorsque deux hauteurs ou plus sont échantillonnées aléatoirement, le MNLEM explique efficacement les différences dans la relation hauteur-diamètre dues aux variations de la position relative des arbres et de la densité sans avoir à les incorporer formellement dans le modèle. Lorsqu’une seule hauteur est échantillonnée, le choix du plus gros arbre dans le peuplement pourrait entraîner une erreur de prédiction plus faible que lorsque la hauteur est sélectionnée au hasard, peu importe la forme du modèle ou la stratégie d’ajustement utilisée.

Document Type: Research Article

Publication date: 2008-03-01

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
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free ContentFree content
  • Partial Free ContentPartial Free content
  • New ContentNew content
  • Open Access ContentOpen access content
  • Partial Open Access ContentPartial Open access content
  • Subscribed ContentSubscribed content
  • Partial Subscribed ContentPartial Subscribed content
  • Free Trial ContentFree trial content
Cookie Policy
X
Cookie Policy
Ingenta Connect 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