Weiterentwicklung eines Kreisflächenzuwachmodells

Tharandt

2010

82-95

Artikel aus einer Zeitschrift

200170954

Definition des Konkurrenzindex der Grundfläche der stärkeren Bäume (BAL) präzisiert, sodass dieser nun unabhängig von der Aufnahmeflächengröße der Modelleingangsdaten ist und auch bei langfristigen Modellläufen keiner Korrektur bedarf. Der Einfluss unterschiedlicher Methoden zur Koeffizientenbestimmung bei exponentiellen Regressionen wurde untersucht. Dabei zeigte sich, dass eine vorhergehende Linearisierung einen Trend bei den Vorhersagen verursacht. Dieser Trend war auch bei der Verwendung von Modellen mit gemischten Effekten bei vorhergehender Linearisierung zu beobachten. Verallgemeinerte lineare gemischte Modelle zeigten den selben Trend allerdings in stärkerer Ausprägung. Schätzungen mit nichtlinear bestimmten Koeffizienten zeigten recht gute Ergebnisse. Die besten Ergebnisse lieferte die Methode der verallgemeinerten linearen Regression wobei biasfreie Schätzungen nur unter Berücksichtigung der repräsentierten Stammzahl beobachtet werden konnten. Durch die Integration von Wetterdaten wurde die ursprüngliche Prognosedauer von fünf Jahren auf ein Jahr herabgesetzt, was zu keiner Verschlechterung der Prognosen während einer fünfzehnjährigen Modelllaufzeit führte. Temperatur und Niederschlag leisten einen großen Beitrag bei der Prognose von Kreisflächenzuwächsen, wobei Schätzungen im Randbereich sowie außerhalb des Beobachtungsdatensatzes als vorläufige Übergangslösung betrachtet werden müssen.
On the way of including temperature and precipitation into an existing basal area increment model the definition of the competition index basal area of larger trees (BAL) has been refined to work independently from plot size of the input data and also for long time model runs. It has also been investigated in examining the effect of using different methods to estimate regression coefficients for exponential models. Linearization causes a trend in the prediction. This is also true for mixed effect regression models which have been brought to linear form. Generalized linear mixed effect models show strong skewed residuals. Estimates with nonlinear regression have not shown too bad results. The use of generalized linear models (GLM) shows the best result and biasfree estimates can be expected by weighting the observations with their representing stem number. The inclusion of weather data required to change from five year estimates to one year estimates. This did not increase the prediction error during a 15 year model run. Temperature and precipitation describe much of the observed increment but estimates on the border or extrapolation beyond the observed weather conditions will be tentative.