Skip to main content

Evaluation of population-averaged and subject-specific approaches for modeling the dominant or codominant height of lodgepole pine trees

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Population-averaged (PA) and subject-specific (SS) approaches for modeling the height of dominant or codominant lodgepole pine (Pinus contorta Dougl. ex Loud.) trees were evaluated using six candidate models derived from the Chapman–Richards and logistic functions. The true PA response obtained from separate fits of the models was compared with the typical mean (TM) response computed using only the fixed-effects parameters of the mixed-effects models. Results showed that the TM response had higher prediction errors than the PA response, suggesting that a true PA response and not the TM response is needed to reflect the overall mean response of the model. The SS approach produced improved height predictions relative to the PA approach when evaluated using independent validation data. In addition, the logistic performed better than the Chapman–Richards function, regardless of whether the SS or PA approach was applied. Among the candidate models, the logistic function with the inclusion of site index gave the most accurate predictions. Three scenarios of calibrating the mixed-effects models on the validation data set were compared. The SS predictions obtained using only one premeasured observation per subject were poorer than those using all observations, but they were still generally better than PA predictions.

Des approches de modélisation par moyenne de population (MP) et par sujet spécifique (SS) appliquées à la hauteur de pins tordus (Pinus contorta Dougl. ex Loud.) dominants et codominants ont été évaluées à l’aide de six modèles dérivés de fonctions logistiques et de Chapman–Richards. La vraie réponse de l’approche MP obtenue de l’ajustement séparé des modèles a été comparée à la réponse moyenne typique (MT) calculée à partir des paramètres des seuls effets fixes des modèles à effets mixtes. Les résultats montrent que la réponse MT est associée à de plus grandes erreurs de prévision que celles de la réponse MP, ce qui indique que la vraie réponse MP, et non la réponse MT, est nécessaire pour refléter la réponse moyenne totale du modèle. L’approche SS a produit de meilleures prévisions de hauteur que l’approche MP lorsqu’elle a été évaluée à partir de données indépendantes de validation. De plus, la fonction logistique a produit de meilleurs résultats que la fonction de Chapman–Richards, que ce soit dans le cas de l’approche SS ou MP. Parmi les modèles testés, la fonction logistique incluant l’indice de qualité de station a produit les prévisions les plus précises. Trois scénarios d’étalonnage des modèles à effets mixtes ont été comparés à partir d’un fichier de validation. Les prévisions SS obtenues à partir de seulement une observation initiale par sujet étaient moins bonnes que celles obtenues à partir de trois observations initiales, mais elles étaient quand même généralement meilleures que les prévisions MP.

Document Type: Research Article

Publication date: 2009-06-01

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 content
  • Partial Free content
  • New content
  • Open access content
  • Partial Open access content
  • Subscribed content
  • Partial Subscribed content
  • Free 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