Methods in general model localization
Räty M. (2011). Methods in general model localization. https://doi.org/10.14214/df.118
Tiivistelmä
Spatiaalisen tilastotieteen keinoin pystytään kalibroimaan yleisten, koko laajan tutkimusalueen kattavien, regressiomallien ennusteita, jolloin saadaan yhä tarkempia paikallisia estimaatteja ja arvioita. Yleisen mallin käytölle on ollut esteenä tämä alueellinen epätarkkuus, mutta jos epätarkkuutta pystytään pienentämään, yleisiä malleja voidaan liittää esim. laajojen metsäalueiden inventointi- ja arviointisysteemeihin. Yleisten mallien etuna on niiden yksinkertaisuus ja helppous käytössä. Väitöskirjassa tarkastelualueena on ollut eteläinen Suomi. Väitöskirjassa on tutkittu ja vertailtu erilaisia menetelmiä, joilla regressiomallin antamia ennusteita voidaan paikallistaa eli lokalisoida. Lokalisoinnissa paikallista harhaa, joka on todellisen mitatun arvon ja mallin antaman ennusteen välinen erotus, pienennetään tai poistetaan alueellisesti kokonaan. Yhteistä menetelmille on, että ne hyödyntävät havaintojen välistä spatiaalista autokorrelaatiota. Spatiaalisen autokorrelaation (SA) perusajatuksena on, että kaksi lähekkäin sijaitsevaa kohdetta ovat todennäköisemmin samankaltaisempia kuin kaksi toisistaan kauempana sijaitsevaa kohdetta ja siksi ympäristön poikkeamia yleisestä keskiarvosta voidaan käyttää naapurin arvioimiseen. Tarkempia estimaatteja voidaan saavuttaa erilaisilla menetelmillä. Osassa menetelmistä tutkimusalue on jaettu pienempiin mahdollisimman yhtenäisiin alueisiin, joille alkuperäinen malli on uudelleen sovittettu eli lokalisoitu, ja toisissa lokalisointi tehdään aina kunkin havainnon lähiympäristön havaintojen, nk. naapuruston, avulla. Kaikilla menetelmillä jäännösvirhe (RMSE) pieneni, mutta niillä menetelmillä, joilla lokalisointiin pyrittiin aluetta jakamalla, lokalisoiduissa RMSE:issä oli suurta vaihtelua. Siksi näihin menetelmiin pitäisi liittää jokin lisämuuttuja, jolla pystyisi kontrolloimaan jakamista ja lokalisointia. Tällöin pystyttäisiin arvioimaan, ovatko tietyt jaot kokonaisuudessaan tai yksittäiset alueet lokalisoinnin kannalta kannattavia. Toisaalta naapurustoa hyödyntävä lokalisointi antoi vakaita ennusteita, kun naapureiden määrä oli riittävä (yli 30). Tämä vaihtoehto tarjoaakin parhaimmat mahdollisuudet jatkotutkimuksille; sillä siihen voidaan yhdistää muita väitöskirjassa käytettyjä menetelmiä tai ei-parametrisiä menetelmiä.
Avainsanat
kriging;
luokittelu- ja regressiopuu (CART);
LISA (spatiaalisen autokorrelaation paikallinen indikaattori);
segmentointi;
spatiaalinen autokorrelaatio
-
Räty,
University of Helsinki, Department of Forest Sciences
Sähköposti
minna.s.raty@helsinki.fi
Julkaistu 11.5.2011
Katselukerrat 4217
Saatavilla https://doi.org/10.14214/df.118 | Lataa PDF
Osajulkaisut
Räty, M. and Kangas, A. 2007. Localizing general models based on local indices of spatial association. European Journal of Forest Research 2/2007: 279-289.
https://doi.org/10.1007/s10342-006-0147-1
Räty, M. and Kangas, A. 2008. Localizing global models with classification and regression trees (CART). Scandinavian Journal of Forest Research 5/ 23: 419-430.
https://doi.org/10.1080/02827580802378826
Räty, M. and Kangas, A. 2010. Segmentation of Model Localization Sub-areas by Getis Statistics. Silva Fennica 44(2): 303-317.
https://doi.org/10.14214/sf.155
Räty, M., Heikkinen, J. and Kangas, A. 2011. Kriging with External Drift in Model Localization. Mathematical and Computational Forestry & Natural-Resource Sciences (MCFNS) 3: 1-14.
