Comparison of Dummy Variable Model and Mixed Model: A Case Study on Constructing Biomass Models for Cunninghamia lanceolata and Larix spp.Forests in Different Regions

doi:10.13466/j.cnki.lczyyj.2024.05.006

Abstract

Abstract:

This study develops and compares dummy variable models and mixed models for biomass modeling of Cunninghamia lanceolata and Larix spp.forests.Using data from 3 152 Cunninghamia lanceolata and 2 495 Larix spp.permanet sample plots collected during the 9^th national forest inventory.Indicative variables representing three distinct regions were incorporated as either dummy or random variables in the models.The results demonstrated that the determination coefficients(R²)of the biomass models from two approaches for Cunninghamia lanceolata and Larix spp.forests in different regions exceeded 0.9.The models achieved mean prediction errors(E_MP)under 1.5%,the total relative errors(E_TR)near zero,the average systematic errors(E_AS)within ±5%;and the mean percent standard error(E_MPS) almost under 15%.While biomass models for Cunninghamia lanceolata forests differed among East,Central-South and Southwest China,difference between South and Southwest was not significant.There were significant differences among the biomass models of Larix spp.forests in Northeast,North and West China.The study confirms that both dummy and mixed variable models can effectively compare and analyze regional and typological differences in stand-level biomass.However,the mixed model proved more robust and applicable.The developed biomass models offer a scientific foundation for estimating biomass of Cunninghamia lanceolata and Larix spp.forests on national and regional scales.

Key words: dummy variable, random variable, biomass model, weighted regression, Cunninghamia lanceolata, Larix spp.

CLC Number:

S711

ZOU Wentao, ZENG Weisheng, YANG Xueyun, WEN Xuexiang. Comparison of Dummy Variable Model and Mixed Model: A Case Study on Constructing Biomass Models for Cunninghamia lanceolata and Larix spp.Forests in Different Regions[J]. Forest and Grassland Resources Research, 2024, (5): 48-55.

Figures/Tables 7

Tab.1

Fig.1

Tab.2

Tab.3

Tab.4

Tab.5

Fig.2

References 34

[1]	唐守正. 多元统计分析方法[M]. 北京: 中国林业出版社,1986.
[2]	唐守正, 郎奎建, 李海奎. 统计和生物数学模型计算(ForStat教程)[M]. 北京: 科学出版社, 2008.
[3]	李希菲, 洪玲霞. 用哑变量法求算立地指数曲线族的研究[J]. 林业科学研究, 1997, 10(2):215-219.
[4]	华伟平, 丘甜, 江希钿, 等. 立地质量等级为哑变量的黄山松地位级指数模型的研制[J]. 武夷学院学报, 2015, 34(3):15-18.
[5]	曾伟生, 唐守正, 夏忠胜, 等. 利用线性混合模型和哑变量模型方法建立贵州省通用性生物量方程[J]. 林业科学研究, 2011, 24(3):285-291.
[6]	ZENG Weisheng, ZHANG Huiru, TANG Shouzheng. Using the dummy variable model approach to construct compatible single-tree biomass equations at different scales:A case study for Masson pine(Pinus massoniana)in Southern China[J]. Canadian Journal of Forest Research, 2011, 41(7):1547-1554.
[7]	郑冬梅, 曾伟生. 用哑变量方法构建东北落叶松和栎类分段地上生物量模型[J]. 北京林业大学学报, 2013, 35(6):1-5.
[8]	ZENG Weisheng. Using nonlinear mixed model and dummy variable model approaches to construct origin-based single tree biomass equations[J]. Trees, 2015, 29(1):275-283.
[9]	吕常笑, 邓华锋, 王秋鸟, 等. 基于哑变量的马尾松生物量模型研究[J]. 河南农业大学学报, 2016, 50(3):304-310.
[10]	高东启, 邓华锋, 王海滨, 等. 基于哑变量的蒙古栎林分生长模型[J]. 东北林业大学学报, 2014, 42(1):61-64.
[11]	王勇, 王鑫梅, 牟洪香, 等. 哑变量在燕山地区华北落叶松人工林生长模型中的应用[J]. 东北林业大学学报, 2014, 42(10):44-49.
[12]	王少杰, 邓华锋, 黄国胜, 等. 基于哑变量的油松人工林和天然林生长模型[J]. 森林与环境学报, 2016, 36(3):325-331.
[13]	王金池, 邓华锋, 冉啟香, 等. 基于哑变量的云南松蓄积生长模型[J]. 森林与环境学报, 2017, 37(4):453-458.
[14]	朱光玉, 胡松, 符利勇. 基于哑变量的湖南栎类天然林林分断面积生长模型[J]. 南京林业大学学报(自然科学版), 2018, 42(2):155-162. doi: 10.3969/j.issn.1000-2006.201704059
[15]	雷相东, 李永慈, 向玮. 基于混合模型的单木断面积生长模型[J]. 林业科学, 2009, 45(1):74-80.
[16]	李杨, 亢新刚. 长白山云冷杉针阔混交林林木空间利用率混合模型[J]. 北京林业大学学报, 2020, 42(5):71-79.
[17]	张晓芳, 郭旭展, 洪亮, 等. 冬奥核心区华北落叶松和白桦单木冠幅预测模型:组级贝叶斯模型、加性模型和混合效应模型比较[J]. 林业科学, 2022, 58(10):89-100.
[18]	符利勇, 张会儒, 唐守正. 基于非线性混合模型的杉木优势木平均高[J]. 林业科学, 2012, 48(7):66-71.
[19]	王冬至, 张冬燕, 张志冬, 等. 基于非线性混合模型的针阔混交林树高与胸径的关系[J]. 林业科学, 2016, 52(1):30-36.
[20]	李春明, 赵丽芳, 李利学. 基于混合效应模型和零膨胀模型方法的蒙古栎林分水平枯损模型[J]. 林业科学, 2019, 55(11):27-36.
[21]	杜志, 陈振雄, 李锐, 等. 气候敏感的杉木树高-胸径非线性混合效应模型研建[J]. 北京林业大学学报, 2023, 45(9):52-61.
[22]	WANG Mingliang, BORDERS B E, ZHAO Dehai. An empirical comparison of two subject-specific approaches to dominant heights modeling:The dummy variable method and the mixed model method[J]. For Ecology Management, 2008, 255(7):2659-2669.
[23]	FU Liyong, ZENG Weisheng, SHARMA R P, et al. Using linear mixed model and dummy variable model approaches to construct compatible single-tree biomass equations at different scales:A case study for Masson pine in Southern China[J]. Journal of Fortest Science, 2012, 58(3):101-115.
[24]	国家林业和草原局. 中国森林资源报告(2014-2018)[M]. 北京: 中国林业出版社, 2019.
[25]	FANG Jingyun, CHEN Anping, PENG Changhui, et al. Changes in forest biomass carbon storage in China between 1949 and 1998[J]. Science, 2001, 292(5525):2320-2322. doi: 10.1126/science.1058629 pmid: 11423660
[26]	王斌, 刘某承, 张彪. 基于森林资源清查资料的森林植被净生产量及其动态变化研究[J]. 林业资源管理, 2009(1):35-42.
[27]	ZHAO Miaomiao, YANG Jilin, ZHAO Na, et al. Estimation of China’s forest stand biomass carbon sequestration based on the continuous biomass expansion factor model and seven forest inventories from 1977 to 2013[J]. Forest Ecology Management, 2019,448:528-534.
[28]	张煜星, 王雪军. 全国森林蓄积生物量模型建立和碳变化研究[J]. 中国科学:生命科学, 2021, 51(2):199-214.
[29]	ZENG Weisheng, CHEN Xinyun, YANG Xueyun. Estimating changes of forest carbon storage in China for 70 years(1949-2018)[J]. Scientific Reports, 2023,13:16864.
[30]	ZHOU Xiaolu, LEI Xiangdong, PENG Changhui, et al. Correcting the overestimate of forest biomass carbon on the national scale[J]. Methods Ecology and Evolution, 2016, 7(4):447-455.
[31]	曾伟生, 唐守正. 非线性模型对数回归的偏差校正及与加权回归的对比分析[J]. 林业科学研究, 2011, 24(2):137-143.
[32]	曾伟生, 唐守正. 立木生物量模型的优度评价和精度分析[J]. 林业科学, 2011, 47(11):106-113.
[33]	FU Liyong, ZENG Weisheng, TANG Shouzheng. Individual tree biomass models to estimate forest biomass for large spatial regions developed using four pine species in China[J]. Forest Science, 2017, 63(3):241-249.
[34]	ZENG Weisheng, ZHANG Lianjin, CHEN Xinyun, et al. Construction of compatible and additive individual-tree biomass models for Pinus tabulaeformis in China[J]. Canadian Journal of Forest Research, 2017, 47(4):467-475.

类型	区域	样地数/个	检验样本			检验样本
类型	区域	样地数/个	样地数/ 个	最大蓄积量/ (m³/hm²)	最大生物量/ (t/hm²)	样地数/ 个	最大蓄积量/ (m³/hm²)	最大生物量/ (t/hm²)
杉木林	华东	1 439	960	456	257	479	454	262
	中南	1 121	745	418	256	376	368	228
	西南	592	395	312	254	197	342	236
	合计	3 152	2 100	456	257	1 052	454	262
落叶松林	东北	1 034	690	317	257	344	349	292
	华北	1 047	700	338	265	347	304	240
	西部	414	275	485	381	139	522	379
	合计	2 495	1 665	485	381	830	522	379

类型	模型	全局参数或固定参数		特定参数或随机参数
类型	模型	a₀	b₀	a₁	a₂	a₃	b₁	b₂	b₃
杉木林	哑变量模型(2)	0.599 7	0.715 8	0.217 2	-0.108 9^*	-0.108 3^*	-0.017 2	0.006 8^*	0.010 4^*
杉木林	混合模型(3)	0.594 4	0.715 3	0.002 0^*	-0.001 5^*	-0.000 5^*	-0.013 2	0.005 1^*	0.008 1^*
落叶松林	哑变量模型(2)	1.226 1	0.819 0	-0.769 9	-0.664 9	1.434 8	-0.019 1	0.105 8	-0.086 7
落叶松林	混合模型(3)	1.019 9	0.820 2	-0.505 8	-0.415 9	0.921 7	-0.020 8	0.104 2	-0.083 4

类型	模型	全局参数或固定参数		特定参数或随机参数
类型	模型	a₀	b₀	a₁	a₂	b₁	b₂
杉木林	哑变量模型	0.652 9	0.711 4	0.164 0	-0.164 0	-0.012 7	0.012 7
杉木林	混合模型	0.592 7	0.711 9			-0.010 3	0.010 3

类型	范围	模型		参数估计值				评价指标
类型	范围	模型		a		b		R²		E_SE/ (t/hm²)		E_MP/ %		E_TR/ %		E_AS/ %		E_MPS/ %
杉木林	全国	哑变量模型						0.937		11.90		0.85		0.00		4.13		13.84
	全国	混合模型						0.937		11.93		0.86		0.00		4.23		13.83
	华东地区	哑变量模型		0.817		0.699		0.920		14.31		1.39		0.00		4.49		16.20
	华东地区	混合模型		0.593		0.702		0.919		14.42		1.40		-0.08		5.20		16.30
	中西南地区	哑变量模型		0.489		0.724		0.955		9.40		0.99		0.00		3.83		11.85
	中西南地区	混合模型		0.593		0.722		0.955		9.34		0.99		0.08		3.41		11.75
落叶松林	全国	哑变量模型						0.962		11.55		0.63		0.00		1.31		10.35
	全国	混合模型						0.962		11.57		0.63		0.00		1.45		10.42
	东北地区	哑变量模型		0.561		0.925		0.967		9.26		0.87		0.00		1.59		9.94
	东北地区	混合模型		0.604		0.924		0.967		9.26		0.87		0.00		1.48		9.94
	华北地区	哑变量模型		0.456		0.800		0.939		12.49		1.12		0.00		0.81		10.26
	华北地区	混合模型		0.514		0.799		0.939		12.48		1.12		0.00		0.71		10.30
	西部地区	哑变量模型		2.661		0.732		0.973		13.97		1.36		-0.01		1.85		11.58
	西部地区	混合模型	1.942		0.737		0.972		14.09		1.37		0.00		3.25		11.90

类型	范围	模型	检验样本评价指标
类型	范围	模型	R²	E_SE/(t/hm²)	E_MP/%	E_TR/%	E_AS/%	E_MPS/%
杉木林	华东地区	哑变量模型	0.928	13.54	1.90	-0.31	3.21	15.92
	华东地区	混合模型	0.927	13.64	1.91	-0.39	3.99	15.96
	中西南地区	哑变量模型	0.955	9.36	1.42	-0.27	3.61	11.49
	中西南地区	混合模型	0.955	9.30	1.41	-0.19	3.14	11.55
落叶松林	东北地区	哑变量模型	0.975	8.39	1.09	-0.05	1.90	9.15
	东北地区	混合模型	0.975	8.38	1.09	-0.05	1.79	9.13
	华北地区	哑变量模型	0.957	10.56	1.36	-0.16	0.18	10.04
	华北地区	混合模型	0.957	10.56	1.36	-0.16	0.07	10.08
	西部地区	哑变量模型	0.981	12.36	1.61	-0.59	1.53	12.26
	西部地区	混合模型	0.981	12.53	1.64	-0.61	2.70	12.39