Stochastinių medžių aukščių modelių įvertinimas Kuršių Nerijos kalninės pušies medynuose
| Author | Affiliation | |
|---|---|---|
LT |
| Date |
|---|
2016 |
Medžių skersmenys išmatuojami medyne kur kas greičiau nei aukščiai, kurių matavimas yra dažniausiai kompleksinis, brangus ir atimantis daug laiko. Medžio aukščio priklausomai nuo skersmens matematiniai modeliai yra naudojami kaip patogus nežinomų medžių aukščių įvertinimo būdas. Šiuos modelius galima naudoti medyno augimui ir našumui modeliuoti ar vidutiniam tūriui medyno skaičiuoti, tačiau juos būtina kruopščiai adaptuoti konkrečiai medžių rūšiai ir kalibruoti parametrus atsižvelgiant į medyno ypatybes. Darbe analizuojami 11 medžio aukščio regresinių modelių, tarpe kurių 6 yra paprastieji (priklausantys tik nuo skersmens krūtinės aukštyje ) ir 5 apibendrintieji modeliai (priklausantys ne tik nuo skersmens krūtinės aukštyje , bet ir nuo sklypo kintamųjų – vidutinio amžiaus, aukščio, skersmens ir pan.). Darbe buvo gauti nežinomų parametrų įverčiai ir jų standartinės paklaidos. Modeliams palyginti buvo naudojami statistiniai indeksai ir liekanų vizualinė analizė. Analizės metu buvo nustatytas tinkamiausias regresinis aukščio modelis, kuris tolesnėje darbo eigoje bus apibrėžtas stochastinėmis diferencialinėmis lygtimis.
Tree diameters are much more easily and quicker done measurements in stand than tree heights. These measurements are combined, expensive and time consuming. Those tree height mathematical models are used in tree’s average volume estimation in the stand and also models are very comfortable way to evaluate unknown tree heights because of correlation between height and diameter. Those models can be used for long- term growth and productivity modelling, but also they require precision in adaptation for specific tree species, and parameters calibration, focusing in a features of a stand. There are 11 tree height regression models analyzed in this paper: 6 of them are simple (depend to diameter at breast height) and 5 generalized models (depend to diameter at breast height and specific plot variables like- average age, height, diameter and etc.). Statistical indexes and unknown parameters are estimated from all these models. The main goal is to get the best tree height model from one of these, which can be used in mountain pine volume estimation. Unknown parameters and their standard errors was estimated. For models’ comparison statistical indexes and residues visual analysis was used. Due the analysis “the best” regression height model was estimated and which will be specified by the stochastic differential equations.