Porovnanie zmiešaných regresných modelov a geograficky váženej regresie na príklade výškovej krivky

Bc. Martin Forró

Master's thesis

Srovnání smíšeného regresního modelu a geograficky vážené regrese na příkladu výškové funkce

Abstract:

Diplomová práca je zameraná na riešenie priestorovej heterogenity v lesníckych modeloch prostredníctvom metodík lineárnych zmiešaných regresných modelov (LMM) a geograficky váženej regresie (GWR) pri modelovaní výškovej krivky. Obe tieto metódy už boli oskúšané, a majú veľký potenciál znížiť množstvo dát potrebných na modelovanie, a zároveň zvýšiť presnosť. Dáta pochádzajú z VŠLP Křtiny, LÚ Borky. Ako modelovú drevinu sme vybrali buk. Z dát sme vybrali trénovaciu a validačnú množinu na parametrizáciu, a následné overenie predikcie. Výsledné modely boli porovnané s globálnym modelom zostrojeným metódou MNČ. Lokálne modely nie sú spoľahlivé, lebo sú parametrizované na príliš malom počte stromov. Výsledky boli rôzne pre GWR a LMM. GWR zlyhala pri predikcii, ale na trénovacích plochách boli výsledky dobré, najmä odstránila autokoreláciu reziduí. LMM mal najlepšie výsledky pre trénovaciu aj validačnú množinu.

Abstract:

The topic of this thesis is to solve spatial heterogenity in forestry models by means of utilizing linear mixed-effects models (LMM) and geographically weighted regression (GWR) to model a height-diameter curve. Both of these methods were previously tested, and they have a high potential to reduce the minimal necessary amount of data needed, and at the same time, increase precision. The data come from VŠLP Křtiny, LÚ Borky, a complex of forests utilized for educational purposes by Mendel’s university in Brno. We choosed beech as the model species. We split the data into training and validation sets for fitting, and consequent prediction assessment. Resulting models were compared with OLS fitted global model. Local OLS models were unreliable, as only a very few measured trees were available for each plot. Results were different for GWR and LMM. GWR models failed at prediction, but had good results on training plots, especially considering the reduction of autocorrelation of model residuals. LMM provided the best results for both training and validation plots

Abstract:

Diplomová práca je zameraná na riešenie priestorovej heterogenity v lesníckych modeloch prostredníctvom metodík lineárnych zmiešaných regresných modelov (LMM) a geograficky váženej regresie (GWR) pri modelovaní výškovej krivky. Obe tieto metódy už boli oskúšané, a majú veľký potenciál znížiť množstvo dát potrebných na modelovanie, a zároveň zvýšiť presnosť. Dáta pochádzajú z VŠLP Křtiny, LÚ Borky. Ako modelovú drevinu sme vybrali buk. Z dát sme vybrali trénovaciu a validačnú množinu na parametrizáciu, a následné overenie predikcie. Výsledné modely boli porovnané s globálnym modelom zostrojeným metódou MNČ. Lokálne modely nie sú spoľahlivé, lebo sú parametrizované na príliš malom počte stromov. Výsledky boli rôzne pre GWR a LMM. GWR zlyhala pri predikcii, ale na trénovacích plochách boli výsledky dobré, najmä odstránila autokoreláciu reziduí. LMM mal najlepšie výsledky pre trénovaciu aj validačnú množinu.

Keywords

Geograficky vážená regresia (GWR), Lineárne modely so zmiešanými efektmi (LMM), priestorová heterogenita, kalibrácia, predikcia

Keywords

calibration, spatial heterogenity, prediction, Geographically weighted regression (GWR), Linear mixed-effects models (LMM)

Keywords

Geograficky vážená regresia (GWR), Lineárne modely so zmiešanými efektmi (LMM), priestorová heterogenita, kalibrácia, predikcia

Language used: Slovak

Date on which the thesis was submitted / produced: 13. 4. 2018

Thesis defence

• Supervisor: doc. Ing. Karel Drápela, CSc.

Mendel University in Brno

Faculty of Forestry and Wood Technology

Master programme / field:
Forest Engineering / Forest Engineering