[논문 리뷰] Hierarchical log Gaussian Cox process for regeneration in uneven-aged forests

Mikko Kuronen, Aila Särkkä외 2명|arXiv (Cornell University)|2020. 05. 05.

Forest ecology and management참고 문헌 72인용 수 5

한 줄 요약

이 논문은 불균일한 연령대의 산림에서 대형 나무의 공간적 영향을 고려하여 씨앗lings의 재생을 계량화하는 계층적 로그 가우시안 코크스 프로세스(LGCP)를 제안한다. 이 방법은 나무의 영향을 나타내는 파arametric 신호를 사용하여 씨앗lings 밀도에 영향을 미치는 요소를 모델링하며, 관측 창 외부의 미관측 대형 나무에 대해 가장자리 보정을 적용한다. 베이지안 MCMC와 라플라스 근사법을 사용하여 모수를 추정하며, 영향 범위가 넓을 경우 보정이 없는 모델에 비해 더 나은 추론 성능을 보였다.

ABSTRACT

We propose a hierarchical log Gaussian Cox process (LGCP) for point patterns, where a set of points x affects another set of points y but not vice versa. We use the model to investigate the effect of large trees to the locations of seedlings. In the model, every point in x has a parametric influence kernel or signal, which together form an influence field. Conditionally on the parameters, the influence field acts as a spatial covariate in the intensity of the model, and the intensity itself is a non-linear function of the parameters. Points outside the observation window may affect the influence field inside the window. We propose an edge correction to account for this missing data. The parameters of the model are estimated in a Bayesian framework using Markov chain Monte Carlo (MCMC) where a Laplace approximation is used for the Gaussian field of the LGCP model. The proposed model is used to analyze the effect of large trees on the success of regeneration in uneven-aged forest stands in Finland.

연구 동기 및 목표

• 불균일한 연령대의 산림에서 씨앗lings의 공간 분포를 대형 나무의 위치와 크기에 조건부로 모델링하는 것.
• 대형 나무의 위치로 설명되지 않는 씨앗lings 패턴의 설명되지 않은 군집 현상에 대응하는 것.
• 대형 나무가 씨앗lings 밀도에 미치는 공간적 영향을 포괄하는 민첩하고 파라미터 기반의 영향 커널 모델을 개발하는 것.
• 대형 나무가 관측 창 외부에 있을 경우, 포아송 프로세스 가정 기반의 베이지안 가장자리 보정을 통해 누락된 데이터를 보정하는 것.
• 라플라스 근사를 사용한 잠재 가우시안 랜덤 필드를 전체 베이지안 MCMC 프레임워크에 통합하여 모수 추정 및 모델 적합도를 향상시키는 것.

제안 방법

• 모델은 각 나무의 흉고지름(dbh)을 표식으로 하는 대형 나무(X)에 대한 표식이 있는 점 프로세스를 사용한다.
• 각 대형 나무는 거리에 따라 감쇠하는 파arametric 영향 커널(예: 지수 또는 가우시안)을 방출하며, 총 영향 필드는 개별 신호의 합으로 구성된다.
• 씨앗lings 프로세스(Y)의 로그 밀도는 초합된 영향 필드와 모델 파라미터의 비선형 함수로 모델링된다.
• 잠재 가우시안 필드는 기저의 밀도 표면을 나타내며, 고차원 MCMC 샘플링을 피하기 위해 라플라스 근사를 통해 근사된다.
• 가장자리 보정 방법은 대형 나무 프로세스가 균일한 포아송 프로세스를 따른다고 가정하여 관측 창 외부의 미관측 대형 나무를 보간한다.
• 베이지안 추론은 MCMC를 통해 수행되며, 파라미터에 사전 분포를 설정하고 메트로폴리스-하스팅스 업데이트를 통해 후행 분포를 계산한다.

실험 결과

연구 질문

• RQ1 대형 나무의 공간적 위치와 크기는 불균일한 연령대의 북방 산림에서 씨앗lings의 밀도와 군집에 어떻게 영향을 미치는가?
• RQ2 관측 영역 외부의 미관측 대형 나무 활동이 씨앗lings 밀도 모델의 모수 추정에 얼마나 심각한 편향을 초래하는가?
• RQ3 가감성 초합을 포함한 파라미터 기반 영향 커널 모델이 대형 나무가 씨앗lings 재생에 미치는 공간적 영향을 충분히 포괄할 수 있는가?
• RQ4 대형 나무가 부분적으로 관측되지 않을 경우, 제안된 가장자리 보정 방법이 모수 추정에 얼마나 효과적인가?
• RQ5 계층적 LGCP 모델이 단순한 모델(예: 비균일 포아송 프로세스)보다 관측된 씨앗lings 군집 패턴을 더 잘 포착하는가?

주요 결과

• 제안된 계층적 LGCP 모델은 대형 나무 위치만으로 설명되지 않는 씨앗lings 패턴의 설명되지 않은 군집 현상을 성공적으로 포착하였다.
• 관측되지 않은 대형 나무에 대해 포아송 프로세스 가정 기반의 가장자리 보정을 통합함으로써, 영향 범위가 넓을 경우 모수 추정이 크게 향상되었다.
• 라플라스 근사를 통해 잠재 가우시안 필드의 차원을 감소시켜 효율적인 MCMC 샘플링을 가능하게 하여 전체 베이지안 추론을 실현할 수 있었다.
• 시뮬레이션 연구 결과, 진정한 대형 나무 프로세스가 포아송이 아닌 규칙적인 패턴을 띠더라도 가장자리 보정 방법이 잘 작동하는 것으로 나타났다.
• 환경 테스트를 통해 실제 데이터에 대한 모델 적합도가 충분히 높았으며, 이는 불균일한 연령대의 산림에서 씨앗lings 군집을 점프로세스 프레임워크를 사용해 명시적으로 모델링한 최초의 모델이다.